Ce este
Dacă îi ceri unui LLM să răspundă direct printr-un singur cuvânt la o problemă grea de matematică, șansele de eroare sunt mari, deoarece modelul are la dispoziție doar un pas de calcul pentru a ajunge la rezultat.
Tehnica Chain of Thought (CoT) obligă modelul să scrie explicit pașii intermediari de gândire (‘Să gândim pas cu pas…’). Fiecare pas scris devine parte din contextul următor, permițând modelului să calculeze rezultatul corect.
Analogia din viața reală
Dacă cineva îți cere să înmulțești în minte 347 × 89 în 2 secunde fără ciornă, probabil vei ghici greșit. Dar dacă iei o foaie de hârtie și notezi pe rând: 347 × 9 = 3.123, apoi 347 × 80 = 27.760, iar la final le aduni, vei ajunge negreșit la rezultatul corect (30.883). CoT este această ciornă de calcul.
Cum funcționează tehnic
CoT manual / Promptat: adăugarea îndemnului ‘Gândește pas cu pas înainte de a răspunde’ în prompt.
CoT nativ / Modele de Raționament (o1, o3, DeepSeek-R1): modelul este antrenat prin Reinforcement Learning să genereze un ‘lanț ascuns de gândire’ (Thinking tokens) cu verificări, ipoteze și autocorecții înainte de a afișa răspunsul final către utilizator.
Exemple practice și aplicații
- Rezolvarea ghicitorilor logice: ‘Ion are 3 mere, mănâncă unul, primește 5 și dă jumătate fratelui său…’.
- Depanarea erorilor subtile de programare: modelul simulează execuția variabilelor linie cu linie înainte de a indica bug-ul.
Greșeli frecvente sau mituri
CoT nu este doar un truc de afișare text; este o proprietate computațională fundamentală: mai mulți tokeni de raționament înseamnă mai multe treceri prin rețea alocate rezolvării problemei (Test-Time Compute).
Termeni înrudiți
in-context-learning: Noțiune asociată din ghidul de Modele Mari de Limbaj.next-token-prediction: Noțiune asociată din ghidul de Modele Mari de Limbaj.