От наименее к наиболее подсказкам
Подсказки по принципу «от меньшего к большему» разбивают сложную проблему на последовательность более простых подзадач, решая их в таком порядке, чтобы каждый ответ питал следующий.
Обзор
It matters because it lets models tackle questions far harder than the examples they were shown.
Глубокое погружение
Подсказка от меньшего к большему, представленная Чжоу и его коллегами на конференции Google в 2022 году, состоит из двух этапов. Сначала модели предлагается разложить сложный вопрос на упорядоченный список более простых подвопросов. Во-вторых, он решает эти подвопросы по одному, добавляя каждый решенный ответ в контекст, чтобы последующие шаги могли основываться на предыдущих. Это отличается от цепочки мыслей, которая рассуждает за один проход без явной декомпозиции. Результатом заголовка было сильное обобщение от простого к сложному: в тесте композиционного обобщения SCAN подсказка от меньшего к большему позволила решить подавляющее большинство длинных команд, даже несмотря на то, что примеры подсказок были короткими, где стандартная цепочка мыслей в основном терпела неудачу.
Техническая информация
Сила заключается в разделении планирования и исполнения. Декомпозиция создает цепочку, упорядоченную по зависимостям, так что подзадача N зависит только от уже решенных подзадач. Каждый решенный ответ объединяется в выполняемую подсказку, предоставляя модели необходимые промежуточные результаты, а не заставляя ее удерживать все за один раз. Это уменьшает количество рассуждений, которые должен выполнять каждый отдельный шаг, поэтому модели обобщают входные данные дольше и сложнее, чем любая отдельная демонстрация.
Стратегическое воздействие
Скорость и масштаб
Языковые рабочие процессы могут развиваться быстрее, не жертвуя при этом согласованностью.
Доступ и охват
Это расширяет доступ к различным языкам и стилям общения.
Более четкие решения
Команды могут тратить больше времени на принятие решений, в то время как автоматизация занимается повторением.
Будущее подсказок от наименьшего к наибольшему
Идеи «наименьшего к наибольшему» теперь лежат в основе многих архитектур агентов и планировщиков, которые перед началом действий разбивают цели на упорядоченные подзадачи. Ожидайте гибридов с использованием инструментов, где каждый подвопрос может запускать калькулятор, поиск или вызов кода, а также с самосогласованностью для более надежных подответов. Исследования также изучают автоматическую декомпозицию, которая адаптирует глубину к сложности проблемы, и сочетают ее с проверкой, чтобы неправильный ранний ответ не испортил молча всю цепочку ниже по течению.
Реальная реализация
Решение многоэтапной задачи со словами путем сначала перечисления величин, которые нужно вычислить, а затем их вычисления по порядку.
Задачи на композиционный язык, такие как перевод длинных инструкций в последовательности действий из коротких примеров.
Ответ на сложный исследовательский вопрос путем разбивки его на подвопросы, ответы на которые объединяются в окончательный ответ.
Написание программы путем ее разложения на вспомогательные функции, решаемые по одной, каждая из которых повторно используется на последующих этапах.
Риски и ограничения
Галлюцинированные факты могут незаметно войти в отчеты, потоки поддержки или результаты исследований.
Незамедлительная чувствительность может привести к противоречивым результатам по схожим запросам.
Конфиденциальные текстовые данные могут быть раскрыты, если контроль доступа слабый.
Дорожная карта реализации
Перед развертыванием определите выходной формат, тон и стандарты качества.
Наземные ответы с помощью надежных источников, когда точность имеет значение.
Обеспечьте контрольную точку человеческого контроля для получения важных результатов.
Отслеживайте закономерности сбоев и регулярно обновляйте подсказки или рабочие процессы.
Продолжайте исследовать
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Least-to-Most Prompting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Следующее руководство
Подсказки «Планируй и решай»
Часто задаваемые вопросы
What is Least-to-Most Prompting?
Подсказки по принципу «от меньшего к большему» разбивают сложную проблему на последовательность более простых подзадач, решая их в таком порядке, чтобы каждый ответ питал следующий. Это важно, поскольку позволяет моделям решать гораздо более сложные вопросы, чем те примеры, которые им показывали.
Каковы два основных этапа подсказок «от меньшего к большему»?
Сначала проблема разбивается на упорядоченный набор более простых подвопросов, а затем последовательно решается каждый из них.
Чем метод «от меньшего к большему» отличается от стандартных подсказок по цепочке мыслей?
Цепочка мыслей за один проход; «от наименьшего к наибольшему» явно разлагается и объединяет подответы воедино.
Какие возможности метод «от наименее к наиболее заметному» продемонстрировал в тесте SCAN?
Он решал длинные композиционные команды, несмотря на то, что видел только короткие примеры, демонстрирующие простое и сложное обобщение.
Почему важен порядок подвопросов?
Подзадачи расположены таким образом, что каждая зависит только от ранее решенных, что позволяет правильно построить ответы.
Как используются промежуточные ответы на этапе решения?
Каждый решенный подответ добавляется в работающую подсказку, поэтому последующие шаги дают нужные результаты.