Resposta correta
- BSolicitar ao modelo que mostre etapas de raciocínio explícitas antes de dar uma resposta final
Explicação
O chain-of-thought prompting instrui o modelo a decompor um problema complexo em etapas de raciocínio intermediárias antes de produzir a resposta final. Essa técnica melhora a precisão em tarefas que exigem lógica de várias etapas, como aritmética, raciocínio de senso comum ou manipulação simbólica, ao tornar explícito o raciocínio interno do modelo e reduzir erros decorrentes de respostas diretas.
Para se aprofundar
O chain-of-thought prompting instrui um modelo a externalizar etapas de raciocínio intermediárias antes de produzir uma resposta final, o que melhora a precisão em tarefas que exigem aritmética, lógica de várias etapas ou raciocínio composicional. Internamente, os modelos transformer geram tokens de forma autorregressiva, de modo que cada token de raciocínio se torna um contexto que condiciona os tokens subsequentes, efetivamente dando ao modelo mais poder computacional e memória de trabalho por problema. Uma sutileza: o chain-of-thought pode prejudicar o desempenho na recuperação de fatos simples e aumenta o custo de tokens e a latência, e alguns modelos mais novos ajustados para raciocínio realizam isso internamente sem prompting explícito. Isso é importante na prática ao criar assistentes de IA para tarefas como diagnosticar uma falha a partir de sintomas ou resolver problemas matemáticos, onde pedir um raciocínio passo a passo aumenta mensuravelmente a correção em comparação com exigir uma resposta imediata.
Sobre estas questões de prática
Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.