การกระตุ้นเตือนน้อยที่สุดไปมากที่สุด
การถามน้อยที่สุดไปมากที่สุดจะแบ่งปัญหาที่ยากออกเป็นลำดับของปัญหาย่อยที่ง่ายกว่า โดยแก้ไขตามลำดับเพื่อให้แต่ละคำตอบป้อนคำตอบถัดไป
ภาพรวม
It matters because it lets models tackle questions far harder than the examples they were shown.
เจาะลึก
การกระตุ้นเตือนน้อยที่สุดถึงมากที่สุด แนะนำโดย Zhou และเพื่อนร่วมงานที่ Google ในปี 2022 มีสองขั้นตอน ขั้นแรก โมเดลจะได้รับแจ้งให้แยกย่อยคำถามที่ซับซ้อนออกเป็นรายการเรียงลำดับของคำถามย่อยที่ง่ายกว่า ประการที่สอง จะแก้ไขคำถามย่อยเหล่านั้นทีละคำถาม โดยผนวกแต่ละคำตอบที่แก้ไขแล้วเข้ากับบริบท เพื่อให้ขั้นตอนต่อมาสามารถต่อยอดจากคำถามก่อนหน้าได้ สิ่งนี้แตกต่างจากห่วงโซ่แห่งความคิด ซึ่งให้เหตุผลในการผ่านครั้งเดียวโดยไม่มีการสลายตัวอย่างชัดเจน ผลลัพธ์พาดหัวเป็นลักษณะทั่วไปที่เข้าใจง่ายถึงยาก: ในเกณฑ์มาตรฐานการจัดองค์ประกอบทั่วไปของ SCAN การแจ้งน้อยที่สุดไปมากที่สุดแก้ไขคำสั่งยาวส่วนใหญ่ได้ แม้ว่าตัวอย่างพร้อมท์จะสั้น โดยที่ห่วงโซ่ความคิดมาตรฐานล้มเหลวอย่างมาก
ข้อมูลเชิงลึกทางเทคนิค
อำนาจมาจากการแยกการวางแผนออกจากการดำเนินการ การสลายตัวจะสร้างลูกโซ่ที่ขึ้นต่อกัน ดังนั้นปัญหาย่อย N อาศัยเฉพาะปัญหาย่อยที่ได้รับการแก้ไขแล้วเท่านั้น คำตอบที่แก้ไขแล้วแต่ละคำตอบจะถูกต่อเข้ากับพร้อมท์การทำงาน ทำให้โมเดลได้รับผลลัพธ์ระดับกลางที่ต้องการ แทนที่จะขอให้เก็บทุกอย่างไว้ในการก้าวกระโดดเพียงครั้งเดียว ซึ่งจะช่วยลดเหตุผลที่แต่ละขั้นตอนต้องดำเนินการ ซึ่งเป็นเหตุผลว่าทำไมโมเดลจึงสรุปอินพุตที่ยาวและหนักกว่าการสาธิตใดๆ
ผลกระทบเชิงกลยุทธ์
ความเร็วและขนาด
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
เข้าถึงและเข้าถึง
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
การตัดสินใจที่ชัดเจนยิ่งขึ้น
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
อนาคตของการเตือนน้อยที่สุดถึงมากที่สุด
แนวคิดที่น้อยที่สุดถึงมากที่สุดในขณะนี้สนับสนุนสถาปัตยกรรมของตัวแทนและผู้วางแผนจำนวนมาก ซึ่งแบ่งเป้าหมายออกเป็นงานย่อยที่ได้รับคำสั่งก่อนดำเนินการ คาดว่าจะเป็นแบบผสมที่มีการใช้เครื่องมือ โดยแต่ละคำถามย่อยสามารถเรียกใช้เครื่องคิดเลข การค้นหา หรือการเรียกใช้โค้ด และมีความสอดคล้องในตัวเองเพื่อให้ได้คำตอบย่อยที่มีประสิทธิภาพมากขึ้น นอกจากนี้ การวิจัยยังสำรวจการสลายตัวโดยอัตโนมัติซึ่งจะปรับความลึกให้เข้ากับความยากของปัญหา และผสมผสานเข้ากับการตรวจสอบ ดังนั้นคำตอบย่อยที่ผิดตั้งแต่ต้นจะไม่สร้างความเสียหายให้กับห่วงโซ่ดาวน์สตรีมทั้งหมด
การใช้งานจริงในโลกแห่งความเป็นจริง
การแก้ปัญหาคำศัพท์ที่มีหลายขั้นตอนโดยแสดงรายการปริมาณที่จะคำนวณก่อน จากนั้นจึงคำนวณตามลำดับ
งานภาษาเชิงเรียบเรียง เช่น การแปลคำสั่งยาวๆ เป็นลำดับการกระทำจากตัวอย่างสั้นๆ
ตอบคำถามวิจัยที่ซับซ้อนโดยแบ่งเป็นคำถามย่อยซึ่งคำตอบจะรวมกันเป็นคำตอบสุดท้าย
การเขียนโปรแกรมโดยแยกย่อยเป็นฟังก์ชันตัวช่วยจะถูกแก้ไขทีละรายการ โดยแต่ละฟังก์ชันจะใช้ซ้ำในขั้นตอนต่อๆ ไป
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
สำรวจต่อไป
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
คำแนะนำต่อไป
การวางแผนและแก้ไขพร้อมท์
คำถามที่พบบ่อย
What is Least-to-Most Prompting?
การถามน้อยที่สุดไปมากที่สุดจะแบ่งปัญหาที่ยากออกเป็นลำดับของปัญหาย่อยที่ง่ายกว่า โดยแก้ไขตามลำดับเพื่อให้แต่ละคำตอบป้อนคำตอบถัดไป เป็นเรื่องสำคัญเพราะช่วยให้โมเดลตอบคำถามได้ยากกว่าตัวอย่างที่แสดงไว้มาก
ขั้นตอนหลักสองขั้นตอนของการกระตุ้นเตือนน้อยที่สุดถึงมากที่สุดคืออะไร?
ขั้นแรกจะแบ่งปัญหาออกเป็นชุดคำถามย่อยที่ง่ายกว่าตามลำดับ จากนั้นจึงแก้ไขแต่ละข้อตามลำดับ
Least-to-Most แตกต่างจากการกระตุ้นเตือนแบบลูกโซ่มาตรฐานอย่างไร
เหตุผลลูกโซ่แห่งความคิดในครั้งเดียว แยกย่อยอย่างชัดเจนจากน้อยไปมากและเชื่อมโยงคำตอบย่อยเข้าด้วยกัน
Least-to-Most แสดงให้เห็นถึงความสามารถใดที่โดดเด่นบนเกณฑ์มาตรฐาน SCAN
สามารถแก้ไขคำสั่งการเรียบเรียงที่ยาวได้แม้จะเห็นเพียงตัวอย่างสั้นๆ เท่านั้น ซึ่งแสดงให้เห็นลักษณะทั่วไปที่ง่ายถึงยาก
เหตุใดการเรียงลำดับคำถามย่อยจึงมีความสำคัญ?
ปัญหาย่อยจะถูกจัดเรียงไว้ ดังนั้นแต่ละปัญหาจะขึ้นอยู่กับปัญหาที่แก้ไขไปก่อนหน้านี้เท่านั้น ปล่อยให้คำตอบถูกสร้างขึ้นอย่างถูกต้อง
คำตอบระดับกลางถูกใช้อย่างไรในขั้นตอนการแก้โจทย์?
คำตอบย่อยที่แก้ไขแล้วแต่ละข้อจะถูกเพิ่มไปยังพรอมต์ที่ทำงานอยู่ เพื่อให้ขั้นตอนต่อๆ มาได้ผลลัพธ์ที่ต้องการ