Chain-of-thought prompting : marche-t-il encore ?
Le chain-of-thought fait raisonner le modèle étape par étape. Quand il aide, quand les modèles de raisonnement le rendent superflu, et comment l'utiliser.
Raisonnement
Les prompts de raisonnement demandent au modèle de travailler un problème étape par étape avant de donner sa réponse finale, une approche appelée chain-of-thought prompting (chaîne de pensée). Elle aide pour les maths à plusieurs étapes, la logique et la planification, et moins pour de simples recherches. Les modèles de raisonnement actuels réfléchissent déjà en interne : la compétence aujourd'hui, c'est de décider quand demander un raisonnement visible et comment le séparer de la réponse finale.
Your app parses the model’s JSON, but sometimes the reply starts with “Sure! Here is the JSON:”. What is the most robust fix?
Vous avez besoin du raisonnement d'un modèle pour déboguer, mais seulement du nombre final dans votre appli. Quelle structure de prompt convient le mieux ?
B. Demander le raisonnement dans des balises <thinking>, puis la réponse dans des balises <answer> Un raisonnement écrit avant la réponse peut l'améliorer, et les balises permettent à votre code de n'extraire que la réponse finale tout en gardant le raisonnement pour les journaux.
Le chain-of-thought prompting demande au modèle d'écrire des étapes de raisonnement intermédiaires avant sa réponse finale. Il a été popularisé par Wei et al. (2022) et aide surtout pour les problèmes à plusieurs étapes.
Avec les modèles de raisonnement, c'est souvent inutile. Avec les autres, cela peut encore aider sur les tâches à plusieurs étapes, surtout si vous demandez le raisonnement avant la réponse et dans une section séparée.
Le chain-of-thought fait raisonner le modèle étape par étape. Quand il aide, quand les modèles de raisonnement le rendent superflu, et comment l'utiliser.
Comment apprendre le prompt engineering : un parcours en 8 étapes des bases aux agents, les guides gratuits des éditeurs et un exercice par étape.
Le prompt engineering, c'est écrire des entrées qui donnent des résultats fiables avec les modèles d'IA. Les parties d'un bon prompt, avec exemples avant/après.
De courts quiz sur de vraies décisions de prompting, avec une explication pour chaque réponse. Gratuit pour commencer sur iPhone et Android.