Minst till mest uppmaning
Minst-till-mest uppmaning delar upp ett svårt problem i en sekvens av enklare delproblem och löser dem i ordning så att varje svar matar nästa.
Översikt
It matters because it lets models tackle questions far harder than the examples they were shown.
Djupdykning
Minst-till-mest uppmaning, introducerad av Zhou och kollegor på Google 2022, har två steg. Först uppmanas modellen att dekomponera en komplex fråga till en ordnad lista med enklare delfrågor. För det andra löser den dessa delfrågor en i taget, och lägger till varje löst svar till sammanhanget så att senare steg kan bygga på tidigare. Detta skiljer sig från chain-of-thought, som resonerar i ett enda pass utan explicit nedbrytning. Rubrikresultatet var stark lätt-till-hård generalisering: på SCAN-kompositionsgeneraliseringsbenchmark löste minst-till-mest prompt en stor majoritet av långa kommandon även om promptexemplen var korta, där standardkedjan av tanke till stor del misslyckades.
Teknisk insikt
Kraften kommer från att skilja planering från genomförande. Nedbrytning producerar en beroendeordnad kedja så att delproblem N bara förlitar sig på delproblem som redan är lösta. Varje löst svar sammanfogas i den löpande prompten, vilket ger modellen de mellanresultat den behöver snarare än att be den hålla allt i ett steg. Detta minskar resonemanget varje enskilt steg måste utföra, vilket är anledningen till att modeller generaliserar till ingångar längre och hårdare än någon enskild demonstration.
Strategisk inverkan
Speed and scale
Språkarbetsflöden kan gå snabbare utan att offra konsekvens.
Access and reach
Det utökar åtkomsten över språk och kommunikationsstilar.
Clearer decisions
Team kan lägga mer tid på bedömning medan automatisering hanterar upprepning.
Framtiden för minst-till-mest uppmaning
Minst till de flesta idéer stöder nu många agent- och planerarearkitekturer som delar upp mål i ordnade deluppgifter innan de agerar. Förvänta dig hybrider med verktygsanvändning, där varje delfråga kan utlösa en kalkylator, sökning eller kodanrop, och med självständighet för mer robusta delsvar. Forskning undersöker också automatisk nedbrytning som anpassar djupet till problemsvårigheter, och kombinerar det med verifiering så att ett felaktigt tidigt delsvar inte tyst korrumperar hela nedströmskedjan.
Real-World Implementation
Lösa ett ordproblem i flera steg genom att först lista kvantiteterna som ska beräknas och sedan beräkna dem i ordning
Kompositionella språkuppgifter som att översätta långa instruktioner till handlingssekvenser från korta exempel
Att besvara en komplex forskningsfråga genom att dela upp den i delfrågor vars svar kombineras till det slutliga svaret
Att skriva ett program genom att bryta ner det i hjälpfunktioner lösta en i taget, var och en återanvänds i senare steg
Risker & skyddsräcken
Hallucinerade fakta kan tyst lägga in rapporter, stödflöden eller forskningsresultat.
Snabb känslighet kan skapa inkonsekventa resultat över liknande förfrågningar.
Känsliga textdata kan exponeras om åtkomstkontrollerna är svaga.
Färdplan för genomförande
Definiera utdataformat, ton och kvalitetsstandarder innan lansering.
Marksvar med pålitliga källor närhelst noggrannhet är viktig.
Håll en kontrollpunkt för mänsklig granskning för höga insatser.
Spåra felmönster och träna om uppmaningar eller arbetsflöden regelbundet.
Fortsätt utforska
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
Next guide
Planera-och-lös uppmaning
Frequently asked questions
What is Least-to-Most Prompting?
Minst-till-mest uppmaning delar upp ett svårt problem i en sekvens av enklare delproblem och löser dem i ordning så att varje svar matar nästa. Det är viktigt eftersom det låter modeller hantera frågor mycket svårare än de exempel de visades.
Vilka är de två huvudstadierna av minst-till-mest uppmaning?
Det delar först upp problemet i en ordnad uppsättning enklare delfrågor och löser sedan var och en i följd.
Hur skiljer sig minst-till-mest från standard-kedja-of-thought prompt?
Tankekedjan skäl i ett pass; minst till de flesta sönderdelar explicit och kedjer samman delsvar.
Vilken förmåga visade minst-till-mest på SCAN-riktmärket?
Det löste långa kompositionskommandon trots att man bara såg korta exempel, vilket visade lätt till hård generalisering.
Varför är ordningen på delfrågor viktig?
Underproblem är ordnade så att var och en endast beror på tidigare lösta, vilket låter svaren byggas upp korrekt.
Hur används mellansvar under lösningsstadiet?
Varje löst delsvar läggs till den löpande prompten så att efterföljande steg får de resultat de behöver.