Труды КНЦ (Технические науки вып.3/2025(16))

Труды Кольского научного центра РАН. Серия: Технические науки. 2025. Т. 16, № 3. С. 80-105. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2025. Vol. 16, No. 3. P. 80-105. Окончание таблицы 1 2 3 4 5 Decomposition Prompting 59 Tree o f Thoughts (ToT) Prompting "Задача: [Поставленная задача]; Создайте несколько первоначальных подходов к решению исходной задачи. Организуйте мысли в древовидную структуру, где узлы - промежуточные шаги решения, а ветви - альтернативные пути развития мыслей. Оцените перспективность каждого пути. При необходимости возвращайтесь к предыдущим узлам для исследования альтернативных путей решения задачи" 23 Типы промптинга, требующие программной реализации, также не могли быть реализованы в рамках стандартного интерфейса чата языковой модели DeepSeek, поскольку они предполагают интеграцию с внешними вычислительными модулями, которые либо необходимо искать в открытых источниках и подключать отдельно, либо разрабатывать самостоятельно. Необходимо отметить, что типы промптинга, требующие предоставления экспертных примеров, в рамках данного исследования не тестировались эмпирически из-за методологических ограничений, поскольку требовали наличия заранее подготовленного набора размеченных экспертом примеров, создание которых представляет отдельную сложную задачу. Такая задача требует привлечения квалицированных предметных специалистов. Далее представлены полученные в ходе практического исследования результаты, включая количественные и качественные оценки, анализ применимости различных типов промптов, а также выявленные закономерности. Необходимо отметить, что для сбора информации о модификаторах промптов каждого типа использовались данных из различных источников. Одна из сложностей при проведении исследования состояла в том, что собранные данные часто были неточными, неполными и даже противоречивыми. В частности, трактовка одних и тех же типов промптинга могла сильно варьироваться от источника к источнику, одинаковые типы относились к различным стратегиям и, наоборот, один и тот же тип мог быть включен в разные стратегии промптинга в разных источниках. В связи с этим исследование и систематизация имеющихся подходов промптинга для понимания их эффективности при извлечении RDF-троек из текстов на естественном языке представляют собой нетривиальную задачу. Классификация и формирование модификаторов типов промптинга имеют достаточно гибкую интерпретацию, поскольку каждый тип промптинга может работать в связке друг с другом, использовать параметры друг друга, включать один или несколько экспертных примеров или вообще не иметь их. Поэтому предложенная в работе классификация типов промптинга и список их модификаторов представляют собой один из возможных вариантов систематизации и не рассматривается как полностью исчерпывающее или единственно верное решение. Количественная оценка результатов показала значительный разброс в эффективности различных типов промптинга. Среднее количество извлеченных RDF-троек для всех исследованных типов составило 34. Наибольшее количество RDF-троек (53) было извлечено с использованием Step-Back Prompting (тип 27) благодаря способности модели выявлять абстрактные принципы перед детальным анализом. Среди наиболее эффективных типов промптинга также можно выделить Zero-Shot Chain-of-Thought (тип 19) с 42 RDF-тройками и Reversing Chain-of-Thought (тип 44) с 48 RDF-тройками, демонстрирующие преимущество типов, сочетающих поэтапное рассуждение с механизмом самокоррекции. В то же время наихудшие результаты с наименьшим количеством найденных RDF-троек показали Uncertainty-Routed Chain-of-Thought Prompting (тип 30) с 13 RDF-тройками и Chain o f Draft (тип 17) с 17 RDF-тройками, а также Self-Calibration Prompting (тип 45) с 20 RDF-тройками. Такие показатели подтверждают, что высокая вычислительная сложность не является гарантией значительных результатов. © Горбунов Р. А., Вицентий А. В., 2025 102