Prezentare generală
Solicitarea de la cel puțin la cel mai mult descompune o problemă dificilă într-o secvență de subprobleme mai simple, rezolvându-le în ordine, astfel încât fiecare răspuns să alimenteze următorul. Contează pentru că le permite modelelor să abordeze întrebările mult mai greu decât exemplele care le-au fost prezentate.
Least to Most Prompting face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară.
Deep Dive
Solicitarea de la cel puțin până la cea mai mare, introdusă de Zhou și colegii de la Google în 2022, are două etape. În primul rând, modelul este solicitat să descompună o întrebare complexă într-o listă ordonată de subîntrebări mai ușoare. În al doilea rând, rezolvă acele subîntrebări una câte una, adăugând fiecare răspuns rezolvat contextului, astfel încât pașii de mai târziu să se poată baza pe cei anteriori. Acest lucru diferă de lanțul de gândire, care motivează într-o singură trecere fără descompunere explicită. Rezultatul principal a fost o generalizare puternică, ușor de greu: în comparația de generalizare compozițională SCAN, promptarea de la cel puțin până la cea mai mare a rezolvat o mare parte a comenzilor lungi, chiar dacă exemplele prompte erau scurte, unde lanțul de gândire standard a eșuat în mare parte.
Perspectivă tehnică
Puterea vine din separarea planificării de execuție. Descompunerea produce un lanț ordonat în dependență, astfel încât subproblema N se bazează doar pe subprobleme deja rezolvate. Fiecare răspuns rezolvat este concatenat în promptul de rulare, oferindu-i modelului rezultatele intermediare de care are nevoie, mai degrabă decât să îi ceară să țină totul dintr-un singur salt. Acest lucru reduce raționamentul pe care trebuie să îl efectueze fiecare pas individual, motiv pentru care modelele se generalizează la intrări mai lungi și mai greu decât orice demonstrație unică.
Stăpânirea de la cel puțin la cea mai mare sugestie
Solicitarea de la cel puțin la cel mai mult descompune o problemă dificilă într-o secvență de subprobleme mai simple, rezolvându-le în ordine, astfel încât fiecare răspuns să alimenteze următorul. Contează pentru că le permite modelelor să abordeze întrebările mult mai greu decât exemplele care le-au fost prezentate. Least to Most Prompting face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară. Pentru a construi o înțelegere profundă, tratați Promptingul cel mai puțin până la cel mai mult ca un model de operare, nu o singură caracteristică: definiți rezultatele dorite, clarificați ipotezele și separați ceea ce poate face sistemul în mod fiabil de ceea ce necesită încă o judecată expertă.
În practică, echipele puternice care utilizează de la Least-to-Most Prompting proiectează solicitări, recuperare și bucle de revizuire ca un singur sistem de comunicare integrat. Aceștia documentează criteriile de succes explicite, testează în funcție de date și fluxuri de lucru realiste și repetă pe baza modelelor de eșec observate, mai degrabă decât a câștigurilor de referință unice. Aici înțelegerea teoretică se transformă în capacitate durabilă pentru produse, politici și operațiuni.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În același timp, faptele halucinate pot intra în liniște în rapoarte, fluxuri de suport sau rezultate ale cercetării. Cea mai rezistentă abordare este combinarea vitezei de experimentare cu disciplina de guvernare: desfășurați pilot, capturați dovezi, publicați jurnalele de decizie și actualizați continuu măsurile de protecție pe măsură ce comportamentul modelului, așteptările utilizatorilor și cerințele de reglementare evoluează.
Impact strategic
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Extinde accesul în diferite limbi și stiluri de comunicare.
Extinde accesul în diferite limbi și stiluri de comunicare. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Implementare în lumea reală
Rezolvarea unei probleme de cuvinte în mai mulți pași, înnumerând mai întâi cantitățile de calculat, apoi calculându-le în ordine
Sarcini de limbaj compozițional, cum ar fi traducerea instrucțiunilor lungi în secvențe de acțiuni din exemple scurte
Răspunsul la o întrebare complexă de cercetare, împărțind-o în sub-întrebări ale căror răspunsuri se combină în răspunsul final
Scrierea unui program prin descompunerea lui în funcții de ajutor rezolvate pe rând, fiecare reutilizată prin pașii ulterioare
Modele de implementare
De la cel puțin la cel mai mult prompt în practică
Rezolvarea unei probleme de cuvinte în mai mulți pași, înnumerând mai întâi cantitățile de calculat, apoi calculându-le în ordine.
Rezolvarea unei probleme de cuvinte în mai mulți pași, listând mai întâi cantitățile de calculat, apoi calculându-le în ordine. Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
De la cel puțin la cel mai mult prompt în practică
Sarcini de limbaj compozițional, cum ar fi traducerea instrucțiunilor lungi în secvențe de acțiuni din exemple scurte.
Sarcini de limbaj compozițional, cum ar fi traducerea instrucțiunilor lungi în secvențe de acțiuni din exemple scurte Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
De la cel puțin la cel mai mult prompt în practică
Răspunsul la o întrebare complexă de cercetare, împărțind-o în sub-întrebări ale căror răspunsuri se combină în răspunsul final.
Răspunsul la o întrebare complexă de cercetare, împărțind-o în sub-întrebări ale căror răspunsuri se combină în răspunsul final Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
De la cel puțin la cel mai mult prompt în practică
Scrierea unui program prin descompunerea lui în funcții de ajutor rezolvate pe rând, fiecare reutilizată prin pașii ulterioare.
Scrierea unui program prin descompunerea acestuia în funcții de ajutor rezolvate pe rând, fiecare reutilizată în pașii ulterioare Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Păstrați un punct de control uman pentru rezultate cu mize mari. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.