Основные методы:
1. Рефлексия (Reflection)
Модель анализирует свой ответ и корректирует его.
"Проанализируй свой ответ на предыдущий запрос и внеси коррективы, если необходимо."
2. Последовательные промты (Sequential Prompting)
Разбиение задачи на последовательные запросы.
"Сначала определи тему текста, затем классифицируй его по жанру, и наконец, подробно опиши содержание."
3. Параллельные промты (Parallel Prompting)
Решение нескольких задач одновременно.
"Проанализируй текст по нескольким критериям: стиль, тема, тональность."
4. Цепочки мыслей (Chain-of-Thought)
Объяснение пошагового рассуждения при решении задачи.
"Объясни, как ты пришел к выводу, что это изображение относится к категории 'животные'."
5. Самоконсистентность (Self-Consistency)
Генерация нескольких вариантов и выбор наиболее логически согласованного.
"Сгенерируй три возможных ответа на вопрос и выбери тот, который согласован с контекстом."
6. Дерево мыслей (Tree of Thoughts)
Создание древовидной структуры для решения задачи.
"Построй дерево мыслей для решения математической задачи."
7. Итеративное улучшение (Iterative Improvement)
Постепенное улучшение результата на основе обратной связи.
"Улучши свой ответ на основе этих критических замечаний."
8. Многоагентное взаимодействие (Multi-Agent Interaction)
Взаимодействие нескольких агентов для решения задачи.
"Представь, что ты обсуждаешь задачу с тремя другими агентами. Как бы вы пришли к общему решению?"
9. Метапознание (Metacognition)
Оценка собственной уверенности и определение необходимости дополнительной информации.
"Оцени свою уверенность в этом ответе и укажи, какая информация могла бы повысить твою уверенность."
10. Обратное мышление (Reverse Thinking)
Рассмотрение задачи с конца к началу.
"Представь, что задача уже решена. Объясни, какие шаги были предприняты для достижения этого результата."
Дополнительные методы:
11. Ролевое моделирование (Role Modeling)
Анализ проблемы с точки зрения различных ролей.
"Проанализируй задачу, как если бы ты был экономистом, политиком и историком."
12. Временная проекция (Time Projection)
Рассмотрение проблемы в различных временных масштабах.
"Опиши, как эта проблема будет выглядеть через год, пять лет и двадцать лет."
13. Системное картирование (System Mapping)
Визуализация всех взаимосвязей в системе.
"Создай схему взаимодействия между всеми участниками системы."
14. Контрфактуальное мышление (Counterfactual Thinking)
Анализ альтернативных сценариев и их последствий.
"Представь, что интернет не был изобретён. Опиши, как бы выглядел мир без интернета."
15. Метод аналогий (Analogical Reasoning)
Использование аналогий для решения проблемы.
"Найди аналогию между этой задачей и другой, уже решённой проблемой."
16. Декомпозиция перспектив (Perspective Decomposition)
Разбиение проблемы на различные перспективы и их анализ.
"Рассмотри эту проблему с точки зрения: технологии, бизнеса, экологии и общества."
17. Каскадное рассуждение (Cascade Reasoning)
Последовательное построение цепочки выводов.
"Начни с базового факта и построй цепочку логических выводов для решения задачи."
18. Матричный анализ (Matrix Analysis)
Анализ проблемы через создание матрицы взаимодействия факторов.
"Создай матрицу, где строки - это технологии, а столбцы - критерии оценки. Проанализируй каждую ячейку."
19. Блочно-разреженное обучение (Block-Sparse Training)
Использование специального ядра для эффективного отображения плотных весов в разреженный формат.
"Оптимизируй модель с использованием блочно-разреженного обучения, применяя блоки 4×4."
20. Ансамблевое обучение (Ensemble Learning)
Объединение нескольких слабых моделей для создания более мощной системы.
"Создай ансамбль из трех различных моделей для анализа данных."
Специализированные техники:
21. Обучение с подкреплением (Reinforcement Learning)
Метод, при котором машина учится на собственных ошибках.
"Разработай систему обучения с подкреплением для торгового бота."
22. Метод Дельфи для нейросетей (Delphi Method for Neural Networks)
Адаптация классического метода Дельфи для обучения нейронных сетей.
"Организуй последовательное обучение модели с использованием независимых экспертных оценок."
23. Карточный метод для нейросетей (Card Sorting for Neural Networks)
Адаптация карточного опроса для структурирования обучающих данных.
"Создай систему валидации результатов нейросети, где каждый вывод оценивается независимо и анонимно группой экспертов."
24. Продолжительное мышление (Extended Thinking)
Увеличение количества итераций для "думания дольше".
"Рассмотри задачу поиска пути в лабиринте с использованием большего количества итераций."
25. Дилатационные свертки (Dilated Convolutions)
Использование увеличенных рецептивных полей для захвата контекста.
"Проанализируй изображение с помощью сверток с увеличенным рецептивным полем."
26. Нейро-символьное мышление (Neuro-Symbolic Reasoning)
Комбинация нейронных сетей с логическими правилами.
"Используй нейро-символьный подход, чтобы объяснить классификацию объекта."
27. Генерация промежуточных объяснений (Intermediate Explanation Generation)
Создание промежуточных шагов объяснения.
"Объясни свой вывод о том, почему текст относится к категории 'наука', шаг за шагом."
28. Управляемое внимание (Controlled Attention)
Использование механизмов внимания для фокусировки на важных данных.
"Проанализируй статью и выдели только те части текста, которые относятся к теме 'изменение климата'."
29. Контекстуальная адаптация (Contextual Adaptation)
Адаптация ответов в зависимости от контекста задачи.
"Объясни значение слова 'банк' в предложении 'Он сидел на берегу реки рядом с банком', учитывая контекст."
30. Мета-обучение (Meta-Learning)
Модели учатся учиться.
"Научи модель классифицировать изображения новых животных, имея всего три примера каждого класса."
Прочие техники:
31. Обучение через ошибки (Error-Driven Learning)
Анализ ошибок и их использование для улучшения модели.
"Проанализируй свои ошибки при классификации текста и предложи способы улучшения модели."
32. Генеративные подходы (Generative Reasoning)
Генерация возможных решений или гипотез на основе входной информации.
"Сгенерируй три возможных сценария развития событий на основе текущих экономических данных."
33. Нелокальная генерализация (Non-Local Generalization)
Обобщение знаний на данные, далеко от тренировочного пространства.
"Определи, относится ли изображение необычной формы животного к классу млекопитающих."
34. Контрастное декодирование (Contrastive Decoding)
Сравнение "экспертной" и "любительской" моделей для улучшения результата.
"Реши математическую задачу, используя контрастное декодирование, чтобы избежать ошибочных решений."
35. Нейро-символьное объяснение (Neuro-Symbolic Explanation)
Комбинация нейронных сетей с логическими правилами для интерпретируемых решений.
"Объясни классификацию текста с использованием логических правил."
36. Механизм "Краминга" (Cramming Mechanism)
Добавление новых скрытых узлов для повышения вычислительной мощности.
"Добавь дополнительные узлы в сеть для решения задачи классификации изображений с высоким уровнем шума."
37. Инъекция знаний (Knowledge Injection)
Включение символической информации в нейронную сеть.
"Включи знание о законах физики в модель, чтобы спрогнозировать движение объекта."
38. Продолжительное мышление с рекуррентными блоками (Extended Recurrent Thinking)
Увеличение количества итераций в рекуррентной нейронной сети.
"Реши лабиринт, используя большее количество итераций для анализа структуры и поиска оптимального пути."
39. Принцип "обучение через структуру" (Structure-Aware Learning)
Использование структурированных данных для улучшения понимания взаимосвязей.
"Используй графовую структуру для анализа социальной сети и выявления ключевых участников."
40. Прямое обучение логике (Direct Logic Learning)
Обучение нейронных сетей напрямую выводить логические правила.
"Обучи модель выводить логические правила классификации для набора данных о погоде."
Прочие техники (продолжение):
41. Многоагентное взаимодействие с логикой (Multi-Agent Neuro-Symbolic Systems)
Использование нескольких агентов с обменом информацией через символические правила.
"Смоделируй взаимодействие нескольких агентов для управления автономными автомобилями."
42. Динамическое изменение архитектуры (Dynamic Architecture Adjustment)
Изменение архитектуры сети во время обучения.
"Оптимизируй архитектуру сети во время обучения на задаче прогнозирования временных рядов."
43. Контекстно-зависимое декодирование (Context-Aware Decoding)
Использование контекста задачи или данных для адаптации процесса генерации.
"Создай описание продукта, учитывая его целевую аудиторию и региональные особенности."
