Chain-of-thought (łańcuch myślenia)

Technika Chain-of-Thought (CoT) ma na celu poprawę zdolności rozumowania dużych modeli językowych (LLM), szczególnie w przypadku zadań wymagających logiki, arytmetyki czy zdroworozsądkowego myślenia. Zamiast oczekiwać bezpośredniej odpowiedzi, model jest zachęcany (lub wręcz zmuszany) do wyjaśnienia swojego toku myślenia krok po kroku.

Działa to na zasadzie podania w prompcie kilku przykładów, w których oprócz pytania i odpowiedzi, zawarty jest również szczegółowy proces dochodzenia do rozwiązania. Model uczy się naśladować ten wzorzec, generując podobne sekwencje rozumowania dla nowych, niewidzianych wcześniej zapytań. Dzięki temu, nawet jeśli początkowo nie potrafi rozwiązać problemu, proces CoT pozwala mu na dekompozycję zadania i przetwarzanie informacji w bardziej uporządkowany sposób.

Korzyści z CoT obejmują:

• Lepszą dokładność w złożonych zadaniach.
• Większą interpretowalność działania modelu, ponieważ można prześledzić jego rozumowanie.
• Zdolność do wykrywania błędów w poszczególnych krokach, co ułatwia debugowanie.

CoT jest szczególnie efektywne w zadaniach wymagających wieloetapowego wnioskowania, takich jak rozwiązywanie problemów matematycznych, logicznych zagadek czy skomplikowanych pytań wymagających analizy wielu informacji. Różni się od zwykłego prompterowania tym, że nie tylko prosi o odpowiedź, ale aktywnie kształtuje proces myślowy modelu.