17 lines
1.4 KiB
Markdown
17 lines
1.4 KiB
Markdown
## Standard Few-shot Prompt
|
||
Prompt: `Q(question) + A(answer)`
|
||
## Few-shot CoT
|
||
思维链提示，就是把一个多步骤推理问题，分解成很多个中间步骤，分配给更多的计算量，生成更多的 token，再把这些答案拼接在一起进行求解。
|
||
Prompt: Q + A(r(rationale) + a(answer))
|
||
Answer: LLM同样会给出理由和答案。
|
||
## Zero-shot CoT
|
||
通过 `Let's think step by step` 可以让 LLM 生成回答问题的思维链。我们可以将 Zero-shot CoT 看作一个 pipeline，我们先使用 `Let's think step by step` 让 LLM 尽可能生成一些思考过程，然后将生成的 rationale 和 question 拼接起来，重新配合一个指向 answer 的 Prompt 来激励模型生成答案。
|
||
Output: (Q + (Q + Let's think step by step ｜ LLM) + The answer is) | LLM
|
||
## Self-consistency
|
||
自洽性，使用多数投票(majority vote)的方式来提升最终回答的准确性。不同于之前的方法，本方法会生成多个思路链，最后取多数答案作为最终答案。
|
||
## LtM
|
||
Least-to-Most prompt(最少到最多提示过程)，进一步将问题分解为子问题，然后逐个解决。主要分为以下两个阶段：
|
||
- 分解问题
|
||
将问题分解为子问题：使用 "To solve {Q}, we need to" 来让 LLM 生成子问题。
|
||
- 解决问题：
|
||
根据生成的问题的依赖顺序依次解决问题。将问题及子问题输入 LLM 进行求解每次解决后将子问题及答案作为下一步骤的输入。 |