términos del glosario
Chain-of-Thought
- Categoría
- Prompt Engineering
- Dificultad
- Intermedio
Definición
Chain-of-Thought (CoT) es una técnica de prompting que anima a los modelos de lenguaje grandes a generar una serie de pasos de razonamiento intermedios antes de llegar a una respuesta final. Al articular explícitamente la progresión lógica, el modelo puede resolver tareas complejas de aritmética, sentido común y razonamiento simbólico con mayor precisión.
Cómo funciona y contexto
Chain-of-Thought (CoT) funciona cambiando el proceso de generación del modelo de un mapeo directo de 'entrada a salida' a una derivación 'paso a paso'. En el prompting estándar, los modelos a menudo intentan predecir la respuesta final de inmediato, lo que puede llevar a errores en la lógica compleja. Al proporcionar ejemplos de razonamiento o simplemente añadir una frase de activación como 'pensemos paso a paso', el modelo asigna más 'pensamiento' computacional a los tokens intermedios. Este proceso imita la resolución de problemas humana, donde dividir una tarea grande en componentes más pequeños y manejables reduce la probabilidad de fallos cognitivos (o algorítmicos). Aunque es muy eficaz para el razonamiento, CoT aumenta el uso de tokens y la latencia, ya que el modelo debe generar toda la ruta de razonamiento antes de proporcionar el resultado final. Es más eficaz en modelos con un número suficiente de parámetros para manejar la lógica de varios pasos.
Por qué es importante
Al obligar al modelo a mostrar su trabajo, los desarrolladores pueden auditar la lógica, identificar dónde se equivocó el modelo y mejorar la transparencia y fiabilidad generales de los procesos de toma de decisiones basados en IA.
Ejemplo real
Un analista financiero utiliza un LLM para pronosticar los ingresos trimestrales basándose en datos complejos y multivariables. En lugar de pedir una sola cifra, utiliza CoT para solicitar al modelo: 'Analiza los datos de ingresos proporcionados, identifica las tendencias de crecimiento, ten en cuenta los ajustes estacionales y luego calcula el pronóstico final'. El modelo divide la tarea en cuatro pasos distintos, lo que permite al analista verificar la lógica detrás de la proyección final.
Errores frecuentes
- Asumir que CoT mejorará el rendimiento en tareas simples de recuperación de hechos donde no se requiere razonamiento.
- Sobrecargar el prompt con demasiados ejemplos de razonamiento, lo que puede confundir al modelo o exceder los límites de contexto.
- No verificar los pasos intermedios, asumiendo que porque el modelo 'mostró su trabajo', la lógica es intrínsecamente correcta.
- Usar CoT para tareas que requieren una salida creativa o subjetiva, donde los pasos lógicos rígidos pueden sofocar el tono deseado.
Preguntas frecuentes
¿Chain-of-Thought siempre mejora la precisión?
No. CoT es más eficaz para tareas que requieren razonamiento lógico, matemático o simbólico. Para consultas factuales simples o escritura creativa, puede introducir complejidad o latencia innecesarias sin mejorar la calidad de la salida.
¿En qué se diferencia Zero-Shot CoT de Few-Shot CoT?
Zero-Shot CoT utiliza una frase de activación simple como 'pensemos paso a paso' para provocar el razonamiento sin proporcionar ejemplos. Few-Shot CoT incluye ejemplos específicos de rutas de razonamiento en el prompt para guiar la estructura y el estilo del modelo.
¿Puede Chain-of-Thought llevar a alucinaciones?
Sí. Incluso cuando se usa CoT, un modelo puede generar una ruta de razonamiento que suena lógica pero que es fácticamente incorrecta. Esto a veces se denomina 'alucinación lógica', donde el modelo sigue una estructura válida pero utiliza premisas falsas.