Hierarchical Chain-of-Thought Prompting: Enhancing LLM Reasoning Performance and Efficiency
यह शोध पत्र पदानुक्रमित चेन-ऑफ-थॉट (Hi-CoT) को प्रस्तुत करता है, जो एक संरचित प्रॉम्प्टिंग प्रतिमान है जो तर्क को वैकल्पिक नियोजन और निष्पादन उप-चरणों में विभाजित करता है, जिससे विभिन्न बड़े भाषा मॉडलों और गणितीय बेंचमार्क पर पारंपरिक चेन-ऑफ-थॉट विधियों की तुलना में सटीकता और दक्षता दोनों में महत्वपूर्ण सुधार प्राप्त होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप अपने एक बहुत ही बुद्धिमान, लेकिन थोड़े बिखरे हुए स्वभाव के दोस्त से एक जटिल गणितीय समस्या हल करने के लिए कह रहे हैं।
पुराना तरीका (स्टैंडर्ड "चेन-ऑफ-थॉट"):
आप अपने दोस्त से पूछते हैं, "4 सेब और 2 संतरे के लिए मुझे कितने पैसे देने होंगे?"
आपका दोस्त बोलना शुरू करता है: "खैर, सेब 3 डॉलर के हैं। मुझे सोचने दो... 4 गुना 3 होता है 12। रुको, क्या मैंने यह सही कहा? मुझे चेक करने दो। ठीक है, 12। अब संतरे 5 के हैं। 2 गुना 5 होता है 10। ओह, लेकिन शायद मुझे पहले यह समझाना चाहिए कि सेब 3 डॉलर के क्यों हैं... वास्तव में, नहीं, चलो बस उन्हें जोड़ लेते हैं। 12 प्लस 10 होता है 22। लेकिन रुकिए, क्या होगा अगर टैक्स अलग हो? नहीं, सवाल में टैक्स के बारे में नहीं कहा गया। ठीक है, 22।"
यही वह है जिसे पेपर चेन-ऑफ-थॉट (CoT) कहता है। यह सिर्फ अंदाज़ा लगाने से बेहतर काम करता है, लेकिन आपका दोस्त बड़बड़ा रहा है। वे खुद को दोहराते हैं, भटक जाते हैं, और जवाब तक पहुँचने के लिए एक बहुत लंबी कहानी लिख देते हैं। यह अक्षम है और कभी-कभी वे अपने ही विचारों में खो जाते हैं।
"प्लान-एंड-सॉल्व" (योजना बनाएँ और हल करें) का तरीका:
इस बड़बड़ाहट को ठीक करने के लिए, आप अपने दोस्त से कहते हैं: "पहले, एक योजना बनाओ। फिर गणित करो।"
आपका दोस्त लिखता है: "योजना: 1. सेब की लागत की गणना करें। 2. संतरे की लागत की गणना करें। 3. उन्हें जोड़ें।"
फिर वे गणित करते हैं।
यह बेहतर है, लेकिन इसमें एक पेंच है। एक बार जब आपका दोस्त यह योजना लिख देता है, तो वे आँख मूंदकर उसी पर टिके रहते हैं। यदि उन्हें बीच में एहसास होता है कि उनकी योजना थोड़ी गलत थी, या यदि वे ध्यान भटकने के कारण कोई चरण छोड़ देते हैं, तो वे रुककर चेक नहीं करते। वे बस चलते रहते हैं जब तक कि वे पूरा न कर लें, अक्सर गलतियाँ करते हैं क्योंकि उन्होंने यह सोचने के लिए समय नहीं निकाला कि, "हे, क्या मैं अभी भी सही रास्ते पर हूँ?"
नया तरीका (Hi-CoT): "मैनेजर और वर्कर" का उदाहरण
इस पेपर के लेखक एक नई विधि प्रस्तावित करते हैं जिसे Hierical Chain-of-Thought (Hi-CoT) कहा जाता है।
कल्पना कीजिए कि आपका दोस्त अब केवल एक व्यक्ति नहीं है; वे एक मैनेजर (प्रबंधक) और एक वर्कर (कर्मचारी) हैं जो आपस में बातचीत कर रहे हैं और बारी-बारी से काम कर रहे हैं।
- मैनेजर (निर्देश चरण): मैनेजर समस्या को देखता है और कहता है, "ठीक है, सबसे पहले हमें सेब की लागत का पता लगाना है। अभी कुछ और मत करो। बस उसी पर ध्यान केंद्रित करो।"
- वर्कर (निष्पादन चरण): वर्कर निर्देश सुनता है, केवल उस विशिष्ट कार्य को करता है (4 × 3 = 12 की गणना करता है), और वापस रिपोर्ट करता है।
- मैनेजर (अगला निर्देश): मैनेजर परिणाम देखता है, कहता है, "बहुत बढ़िया। अब, चलिए संतरे की लागत निकालते हैं। एक सेकंड के लिए सेबों को भूल जाइए।"
- वर्कर (अगला निष्पादन): वर्कर संतरे का गणित करता है (2 × 5 = 10) और वापस रिपोर्ट करता है।
यह गेम-चेंजर क्यों है?
- कोई बड़बड़ाहट नहीं: "वर्कर" को इधर-उधर भटकने या उन चीजों को समझाने की अनुमति नहीं है जिनकी उन्हें आवश्यकता नहीं है। वे केवल वही करते हैं जो "मैनेजर" ने अभी उन्हें बताया है। यह फालतू की बातों को काट देता है।
- कोई भटकाव नहीं: हर एक चरण से पहले, "मैनेजर" वर्तमान स्थिति की जाँच करने के लिए रुकता है और एक छोटा, स्पष्ट लक्ष्य निर्धारित करता है। यह "प्लान-एंड-सॉल्व" वाली गलती को रोकता है जहाँ व्यक्ति भटक जाता है।
- संपीड़न (Compression): "मैनेजर" चरण को एक कंप्रेशन फ़िल्टर के रूप में सोचें। यह दिमाग को आगे बढ़ने से पहले सभी उलझे हुए विचारों को एक स्पष्ट वाक्य में सिकोड़ने के लिए मजबूर करता है। इससे समय और ऊर्जा बचती है।
परिणाम ("जादुई" नंबर)
पेपर ने 13 अलग-अलग AI मॉडलों (छोटे से लेकर बड़े तक) और 5 अलग-अलग गणित परीक्षणों पर इसका परीक्षण किया। यहाँ हुआ:
- अधिक स्मार्ट: AI औसतन 6.2% अधिक बार सही उत्तर देता है। कुछ कठिन परीक्षणों में, इसमें भारी 61.4% का सुधार हुआ।
- तेज़/सस्ता: AI केवल स्मार्ट ही नहीं हुआ; यह छोटा भी हो गया। जवाब पाने के लिए इसने 13.9% कम शब्द (टोकन) का उपयोग किया।
- "परफेक्ट" परिदृश्य: जब AI ने नियमों का सख्ती से पालन किया (बिल्कुल मैनेजर/वर्कर टीम की तरह व्यवहार किया), तो इसने कुछ परीक्षणों में 100% सटीकता प्राप्त की और सामान्य से 75% कम शब्दों का उपयोग किया।
निष्कर्ष
पेपर सुझाव देता है कि AI मॉडल वास्तव में गहराई में बहुत स्मार्ट हैं, लेकिन वे अक्सर अपनी बड़बड़ाने और अव्यवस्थित होने की प्रवृत्ति के कारण पीछे रह जाते हैं। उन्हें बड़े कार्यों को छोटे, प्रबंधित चरणों (योजना -> करना -> योजना -> करना) में तोड़ने के लिए मजबूर करके, हम उनकी वास्तविक क्षमता को अनलॉक कर सकते हैं। वे न केवल अधिक सटीक बनते हैं बल्कि बहुत अधिक कुशल भी होते हैं, जिससे समय और कंप्यूटिंग शक्ति की बचत होती है।
यह एक प्रतिभाशाली लेकिन अराजक कलाकार को पेंटिंग करने के लिए एक चेकलिस्ट देने जैसा है: "आसमान बनाओ। रुको। पेड़ बनाओ। रुको।" बजाय इसके कि उन्हें बस कैनवास खत्म होने तक हर जगह रंग बिखेरने दिया जाए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।