type
status
date
slug
summary
tags
category
icon
password
URL
Rating
Least-to-Most Prompting Enables Complex Reasoning in Large Language Models
- Denny Zhou (Google DeepMind): Teach language models to reason
此工作来自 CoT、Self-Consistency 的作者。
CoT 在容易的问题上效果很好，但在难的问题上效果不显著。而 Least-to-Most Prompting 主要是用来解决难的问题。
Least-to-Most Prompting
Least-to-Most Prompting 思路也很简单，就是先把问题分解成更简单的多个子问题，然后再逐个回答子问题，最终获得原始问题的答案：
除了上面的技巧，另一个技巧是在prompt中加入了少量样例（few-shot），这样可以显著提升效果。这个技巧在CoT中也有，是个提升效果很通用的方法。
论文中在具体实现时，针对不同的任务，主要设计了以下两种prompt结构（省略了prompt中的少量样例）：
- Let's break down this problem:
- 这种方式是调用一次LLM，让它先生成子问题，再生成每个子问题的答案，以及最终答案。所以主要靠样例来规范LLM的输出。
- To solve “
<problem>”, we need to first solve: “<subproblem1>”, “<subproblem2>”, “<subproblem3>”, … - 这种方式是迭代生成子问题的答案，汇总所有信息后再生成最终答案。
我理解prompt使用的具体提示词（
break down or first solve）不重要，重要的是先分解成子任务，再逐个解答的思路。效果
效果杠杆的。
<ins/>
- 作者:Breezedeus
- 链接:https://breezedeus.com/article/llm-prompt-l2m
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章