--- title: Was "Verbessertes Reasoning" bedeutet und warum niemand sonst es hat description: Das ist nicht für alle Anwendungsfälle - aber für die meisten davon! date: January 3, 2025 author: Robert Soares category: guide --- Im Grunde versuchen die Leute seit GPT-2 ein Baby in seiner Maschinen-Wiege war, herauszufinden, wie man bessere Gedanken aus diesen Roboterfreunden (oder Herren?) von uns herausholen kann. Der Standard ist das, was ich in einem Beispiel über dynamische Variablen eingefügt habe, heute Chain-of-Thought-Prompting genannt, hier erstmals beschrieben, nämlich die folgende Zeile zu jedem Prompt hinzuzufügen: Lass uns Schritt für Schritt denken. Die Ergebnisse des Hinzufügens dieser kleinen Zeile waren dramatisch - text-davinci-002 (auch bekannt als GPT-3) in dem obigen Paper ging von 17.7 in einem Arithmetik-Benchmark auf 78.7. Und das wird heute noch häufig von "Prompt-Ingenieuren" verwendet. Warum funktioniert das nun? Diese einfache Phrase bringt das Sprachmodell dazu, eine größere Aufgabe in kleinere Teile zu zerlegen, was ihm ermöglicht, kompliziertere Aufgaben zu bewältigen, als es alleine könnte. Im Grunde habe ich ein cooles Paper gefunden namens [Self-Discover: Large Language Models Self-Compose Reasoning Structures](https://arxiv.org/html/2402.03620v1) (Februar 2024), das auf [Promptbreeder (Ich weiß... ich weiß...)](https://arxiv.org/html/2309.16797) aufbaute. Es gibt ähnliche Bemühungen bei Microsoft und Northeastern sowie an der Tsinghua-Universität, wie [Connecting Large Language Models with Evolutionary Algorithms Yields Powerful Prompt Optimizers](https://arxiv.org/pdf/2309.08532). Um die Problemlösung zu optimieren, haben Leute erhebliche Mengen an GPU-Zeit aufgewendet, damit Sprachmodelle ihre eigenen Prompts optimieren, einzigartige Prompts für verschiedene Probleme erstellen. Das Sprachmodell passt dann diese spezifischen Prompts an die einzigartige Aufgabe an und verwendet schließlich diesen auto-generierten Super-Prompt, um viel effektiver zu antworten, als es auf die ursprüngliche Anfrage würde. Ich habe eine benutzerdefinierte, erweiterte Version dieser Technik, angepasst für gängige Chat-Anwendungsfälle, alles verfügbar für Sie mit dem Klick auf eine bescheidene Checkbox - "Verbessertes Reasoning". Ich habe auch herausgefunden, wie man das kosteneffizient macht - ich würde gerne Ihre Erfahrung damit hören, während ich die Reasoning-Fähigkeiten an die Arbeit anpasse und abstimme, die Sie machen! Schreiben Sie gerne eine E-Mail an team @ brightrobot.ai, um Feedback zu geben oder Fragen zu stellen - ich würde mich freuen, von Ihnen zu hören.