ДаліНаступний посібник
Підказки Сократа, які змушують ШІ навчити вас
ШІ мови
Мова AI GUIDE
Від найменшого до найбільшого
Підказка від найменшого до найбільшого розбиває складну проблему на послідовність простіших підпроблем, розв’язуючи їх у порядку, щоб кожна відповідь підживлювала наступну.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
Це важливо, тому що це дозволяє моделям вирішувати питання, набагато складніші, ніж приклади, які вони показали.
Глибоке занурення
Least-to-Most prompting, introduced by Zhou and colleagues at Google in 2022, has two stages. First, the model is prompted to decompose a complex question into an ordered list of easier subquestions. Second, it solves those subquestions one at a time, appending each solved answer to the context so later steps can build on earlier ones. This differs from chain-of-thought, which reasons in a single pass without explicit decomposition. The authors evaluated symbolic manipulation, math reasoning, and SCAN, a compositional-generalization benchmark built from natural-language commands. For the specific SCAN setup using GPT-3 code-davinci-002 and 14 exemplars, Least-to-Most reached at least 99% accuracy across the tested splits, including the length split, compared with 16% for chain-of-thought prompting. This is a result for that model, prompt setup, and benchmark, not a general accuracy guarantee.
Реалізація в реальному світі
Розв’язування багатоетапної текстової задачі шляхом спершу переліку величин, які потрібно обчислити, а потім обчислення їх по порядку
Композиційні мовні завдання, як-от переклад довгих інструкцій у послідовності дій із коротких прикладів
Відповідь на складне дослідницьке запитання шляхом розбиття його на підзапитання, відповіді яких об’єднуються в остаточну відповідь
Написання програми шляхом її декомпозиції на допоміжні функції, розв’язані по черзі, кожна з яких повторно використовується на наступних кроках
Майбутнє спонукання від найменшого до найбільшого
Ідеї від найменшого до найбільшого тепер лежать в основі багатьох архітектур агентів і планувальників, які розділяють цілі на впорядковані підзавдання перед діями. Очікуйте гібридів із використанням інструментів, де кожне підзапитання може ініціювати калькулятор, пошук або виклик коду, і з самоузгодженістю для більш надійних підвідповідей. Дослідження також вивчають автоматичну декомпозицію, яка адаптує глибину до складності проблеми, і поєднує її з перевіркою, щоб неправильна рання підвідповідь не спотворювала безшумно весь ланцюжок нижче.
Застосування на практиці
Чому це важливо
- Швидкість і масштаб. Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості.
- Доступ і охоплення. Це розширює доступ до різних мов і стилів спілкування.
- Чіткіші рішення. Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням.
Зверніть увагу на
- Галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень.
- Делікатність підказок може створити суперечливі результати для подібних запитів.
- Конфіденційні текстові дані можуть бути розкриті, якщо контроль доступу слабкий.
Наступні кроки
- Визначте вихідний формат, тон і стандарти якості перед розгортанням.
- Якщо точність має значення, зв’яжіться з надійними джерелами.
- Тримайте контрольну точку перевірки людьми для отримання високих ставок.
- Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Least-to-Most Prompting quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
Що таке спонукання від найменшого до найбільшого?
Підказка від найменшого до найбільшого розбиває складну проблему на послідовність простіших підпроблем, розв’язуючи їх у порядку, щоб кожна відповідь підживлювала наступну. Це важливо, оскільки дозволяє моделям вирішувати питання, набагато складніші, ніж приклади, які вони показали.
Які два основні етапи підказки від найменшого до найбільшого?
Спочатку він розбиває проблему на впорядкований набір легших підзапитань, а потім розв’язує кожне по черзі.
Чим «від найменшого до найбільшого» відрізняється від стандартного підказування за ланцюгом думок?
Хід думок за один прохід; від найменшого до найбільшого явно розкладає та з’єднує підвідповіді разом.
What kind of task does the SCAN benchmark use to test compositional generalization?
SCAN tests compositional generalization using commands that map language to action sequences; the Least-to-Most paper evaluates whether prompts transfer to harder command compositions.
Чому важливий порядок підзапитань?
Підзадачі впорядковані таким чином, що кожна залежить лише від попередньо розв’язаних, дозволяючи відповідям складатися правильно.
Як проміжні відповіді використовуються на етапі вирішення?
Кожна розв’язана підвідповідь додається до поточної підказки, щоб наступні кроки мали потрібні результати.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми