各大网站网址,20m做网站,现在的网站做多大尺寸的,精品网文本文是LLM系列文章#xff0c;针对《Decomposed Prompting: A MODULAR APPROACH FOR SOLVING COMPLEX TASKS》的翻译。 分解提示#xff1a;一种求解复杂任务的模块化方法 摘要1 引言2 相关工作3 分解提示4 案例5 结论 摘要
小样本提示是一种使用大型语言模型#xff08;L…本文是LLM系列文章针对《Decomposed Prompting: A MODULAR APPROACH FOR SOLVING COMPLEX TASKS》的翻译。 分解提示一种求解复杂任务的模块化方法 摘要1 引言2 相关工作3 分解提示4 案例5 结论 摘要
小样本提示是一种使用大型语言模型LLM来解决各种任务的强大方法。然而随着任务复杂性的增加或者当任务本身的各个推理步骤很难学习时尤其是当嵌入到更复杂的任务中时这种方法会很困难。为了解决这一问题我们提出了分解提示这是一种通过将复杂任务分解通过提示为更简单的子任务来解决复杂任务的新方法这些子任务可以委托给专用于这些子任务的基于提示的LLM的共享库。这种模块化结构允许每个提示都针对其特定的子任务进行优化必要时进行进一步分解甚至可以根据需要轻松地用更有效的提示、经过训练的模型或符号函数替换。 我们表明分解提示的灵活性和模块性使其在使用GPT-3的小样本提示方面优于先前的工作。在符号推理任务中我们可以将LLM难以解决的子任务进一步分解为更简单的可解子任务。当复杂性来自输入长度时我们可以递归地将任务分解为相同的任务但输入较小。我们还评估了我们在文本多步骤推理任务上的方法在长上下文多跳QA上我们可以通过单独的子任务提示更有效地教授子任务在开放域多跳QA上我们可以很容易地将符号信息检索模块纳入我们的分解框架中从而提高这两项任务的性能。
1 引言
2 相关工作
3 分解提示
4 案例
5 结论
我们提出了一种新的方法分解提示通过将复杂任务分解为一个由更简单的子任务构建的提示程序使用小样本提示来解决复杂任务。从软件库中汲取灵感我们的分解器和共享子任务以模块化的方式设计它们使用自己的少量提示允许独立优化每个提示必要时进一步分解子任务甚至用符号系统无缝替换它。我们表明分解提示在四种不同的任务和泛化设置上优于先前的工作使其成为解决复杂任务的有效的小样本范例。
