🟢 零樣本思維鏈

零樣本思維鏈（Zero Shot Chain of Thought，Zero-shot-CoT）提示過程¹是對 CoT prompting² 的後續研究，引入了一種非常簡單的零樣本提示。他們發現，透過在問題的結尾附加 “讓我們一步步思考 (Let's think step by step)” 這一句話，大語言模型能夠生成一個回答問題的思維鏈。從這個思維鏈中，他們能夠提取更準確的答案。

從技術上講，完整的零樣本思維鏈過程涉及兩個單獨的提示/補全結果。在下面的圖像中，左側的提示生成一個思維鏈，而右側的頂部氣泡接收來自第一個提示（包括第一個提示本身）的輸出，並從思維鏈中提取答案。這個第二個提示是一個自我增強的提示。

範例

以下是一些演示（僅執行推理提取）。這個演示展示了GPT-3（davinci-003）無法解決一個簡單的數學問題，而第二個演示使用了零樣本思維鏈提示，併成功地解決了這個問題。隨意輸入您的OpenAI API金鑰（點選生成），並在範例中進行操作。請注意，與思維鏈提示相比，零樣本思維鏈提示要簡單得多。

錯誤範例

正確範例

結論

零樣本思維鏈也有效地改善了算術、常識和符號推理任務的結果。然而，毫不奇怪的是，它通常不如思維鏈提示過程有效。，在獲取思維鏈提示的少量範例有困難的時候，零樣本思維鏈可以派上用場。

有趣的試誤實驗

Kojima 等人嘗試了許多不同的零樣本思維鏈提示（例如 "Let’s solve this problem by splitting it into steps." 或 "Let’s think about this logically."），但他們發現 "Let's think step by step" 對於他們選擇的任務最有效。

備註

提取步驟通常必須針對特定任務，使得零樣本思維鏈的泛化能力不如它一開始看起來的那樣強。

從個人經驗來看，零樣本思維鏈型別的提示有時可以有效地提高生成任務完成的長度。例如，請考慮標準提示寫一個關於青蛙和蘑菇成為朋友的故事。在此提示的末尾附加讓我們一步一步地思考會導致更長的補全結果。