【GPT入门】第7课 LTM介绍
【GPT入门】第7课 LTM介绍
- 1. LTM介绍
- 2. LTM的三个应用案例：
- 3. 该方法已经被淘汰
1. LTM介绍
概念介绍： 大语言模型中的 LTM（Least to Most，最少到最多提示）是一种提示策略，旨在帮助大语言模型执行复杂推理。它的核心做法是把一个复杂问题拆解成一系列简单的子问题，接着让模型按顺序逐个解决这些子问题，并且利用前序子问题的答案辅助解决后续子问题，最终完成对复杂问题的解答 ，减少模型推理时的逻辑失误
英文翻译：
艾米爬到滑梯顶端需要 4 分钟，滑下来需要 1 分钟。水滑道在 15 分钟后关闭。她能在关闭前滑多少次？
2. LTM的三个应用案例：
数学推理：在解决类似 “小明去商店买文具，一支铅笔 2 元，一个笔记本 5 元，小明买了 3 支铅笔和 2 个笔记本，给了收银员 50 元，应找回多少钱？” 这样的问题时，利用 LTM 策略，先将其分解为 “3 支铅笔多少钱”“2 个笔记本多少钱”“买铅笔和笔记本总共花了多少钱” 等子问题。模型先计算出 3 支铅笔是
2×3=6
元，2 个笔记本是
5×2=10
元，两者总共花费
6+10=16
元，最后得出应找回
50−16=34
元。
文本创作：若要创作一篇关于 “城市环保建设” 的宣传文章。可以把任务拆解成多个子问题，如 “城市目前存在的环保问题有哪些”“环保建设的重要性体现在哪里”“有哪些可行的环保措施”“如何鼓励市民参与环保建设” 等。模型依次回答这些子问题，然后基于这些答案整合成一篇完整的宣传文章。
编程调试：当遇到一个复杂的编程错误，比如程序运行时出现内存溢出错误。借助 LTM 策略，先将问题细化为 “程序中哪些部分涉及内存分配和使用”“是否存在内存泄漏的代码段”“数据结构的使用是否合理” 等子问题。模型先定位到涉及内存操作的代码区域，再检查是否有未释放的内存，最后判断数据结构是否导致内存占用过大，逐步排查和解决问题。
3. 该方法已经被淘汰
直接下指令，一步步思考（思维树方法），就OK，自己为什么还要想题啊！