Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind9. Oktober 2023 · Q006014

Step-Back Prompting Enables Reasoning via Abstraction in Large Language Models

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Bericht ist ein Auszug: Er beschreibt „Step-Back Prompting“, bei dem Sprachmodelle erst allgemeine Prinzipien aus konkreten Beispielen ableiten und diese dann zum Schlussfolgern verwenden sollen. Laut Abstract erzielte das Verfahren in Tests mit PaLM-2 bei mehreren Aufgaben Leistungszuwächse; nähere Angaben zu Versuchsaufbau und Unsicherheiten enthält der Auszug nicht.

Mittel

Der vorliegende Bericht ist ein Auszug aus einer Veröffentlichung und umfasst den Abstract sowie Angaben zu Autorinnen und Autoren und zum Veröffentlichungsort. Er beschreibt „Step-Back Prompting“: Ein Sprachmodell soll zunächst aus konkreten Beispielen übergeordnete Konzepte und grundlegende Prinzipien ableiten und diese anschließend für seine Lösungsschritte nutzen. Den Autorinnen und Autoren zufolge unterstützt das die Modelle dabei, einen passenden Schlussfolgerungsweg zu finden.

Das Team untersuchte die Technik laut Abstract mit PaLM-2-Modellen bei Aufgaben aus MINT, Wissensfragen und mehrstufigem Schlussfolgern. Der Auszug berichtet von Leistungszuwächsen für PaLM-2L: 7 Prozent bei MMLU Physics, 11 Prozent bei MMLU Chemistry, 34 Prozent bei TimeQA und 7 Prozent bei MuSiQue. Angaben zu Versuchsaufbau, Vergleichsbedingungen, Bedeutung der Prozentwerte oder Unsicherheiten fehlen im Auszug. Die Ergebnisse sind daher hier nur als Aussagen der Autorinnen und Autoren wiedergegeben.

Ausführlich lesen

Der vorliegende Bericht ist ein Auszug: Er enthält den Abstract sowie Angaben zu Autorinnen und Autoren und zum Veröffentlichungsort, aber keine vollständige Darstellung der Studie. Beschrieben wird „Step-Back Prompting“, eine Prompting-Technik für große Sprachmodelle. Sie soll das Modell zunächst dazu bringen, aus konkreten, detailreichen Beispielen übergeordnete Konzepte und grundlegende Prinzipien abzuleiten. Diese Abstraktionen werden anschließend als Orientierung für die weiteren Lösungsschritte verwendet. Den Autorinnen und Autoren zufolge hilft dieses Vorgehen den Modellen, einen passenden Schlussfolgerungsweg einzuschlagen.

Laut Abstract untersuchte das Team die Technik mit PaLM-2-Modellen an anspruchsvollen Aufgaben aus den Bereichen MINT, Wissensfragen und mehrstufiges Schlussfolgern. Der Bericht behauptet deutliche Leistungszuwächse. Als Beispiele nennt er für PaLM-2L Verbesserungen um 7 Prozent bei MMLU Physics, 11 Prozent bei MMLU Chemistry, 34 Prozent bei TimeQA und 7 Prozent bei MuSiQue.

Der Auszug liefert keine Angaben zu Versuchsaufbau, Vergleichsbedingungen, Definition der Prozentwerte oder Unsicherheiten der Ergebnisse. Daher lassen sich Umfang und Aussagekraft der berichteten Verbesserungen anhand dieses Textes allein nicht näher beurteilen. Die Aussagen zu Nutzen und Leistungssteigerungen sind die Zusammenfassung der Autorinnen und Autoren im Abstract, keine unabhängig überprüften Schlussfolgerungen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →