Tree of Thoughts (ToT)

Дерево мыслей (ToT) — это продвинутая система рассуждений, разработанная для расширения возможностей решения задач большими языковыми моделями (LLM). В отличие от традиционных методов линейных подсказок, ToT позволяет моделям одновременно исследовать несколько путей рассуждений, подобно изучению ветвей дерева. На каждом шаге модель генерирует несколько возможных «мыслей» или промежуточных шагов рассуждения, оценивает их жизнеспособность и активно решает, какие пути продолжить, приостановить или отбросить. Этот подход отражает процесс решения задач человеком, когда мы часто рассматриваем различные варианты, проверяем гипотезы в уме и возвращаемся назад, если понимаем, что выбранный подход ошибочен.

Link to this sectionОтличие Дерева мыслей от Цепочки рассуждений#

Изучая стратегии промптинга, важно отличать Дерево мыслей от промптинга с Цепочкой рассуждений (CoT). CoT предписывает модели следовать одной линейной последовательности логических шагов для достижения вывода. Хотя этот метод высокоэффективен для многих задач, CoT не может восстановиться, если совершает ошибку в начале последовательности. В отличие от него, ToT явным образом поддерживает древовидную структуру из множества путей рассуждений. Используя алгоритмы поиска в ширину или фреймворки поиска в глубину, ToT может возвращаться из тупиков и переключаться на более перспективные ветви, что делает его значительно более надежным для сложных задач Generative AI.

Link to this sectionПрактическое применение Дерева мыслей#

Способность смотреть вперед и оценивать множество исходов делает ToT крайне ценным в различных отраслях, требующих сложной логики.

• Автономные AI-агенты используют ToT для стратегического планирования в динамических средах. Например, в логистике агент может составить карту нескольких сценариев маршрутизации, оценивая каскадные эффекты задержек из-за трафика или погоды, прежде чем выбрать оптимальный путь.
• В продвинутых конвейерах компьютерного зрения ToT облегчает многошаговое визуальное рассуждение. При развертывании вместе с высокоскоростными моделями обнаружения объектов, такими как Ultralytics YOLO26, модель рассуждения может оценивать визуальную сцену, генерировать гипотезы о потенциальных угрозах безопасности в умном производстве и возвращаться назад, если при более детальном визуальном осмотре первоначальная теория опровергается.

Link to this sectionИнтеграция данных зрения в ветви рассуждений#

При создании систем рассуждений визуальное восприятие выступает в качестве сенсорного ввода для логического дерева модели. Ты можешь легко внедрять данные обнаружения в реальном времени в модель рассуждений OpenAI или агента, оценивающего ветви. Следующий пример демонстрирует, как извлекать данные об окружающей среде с помощью YOLO26, что может служить функцией оценки узла в более широкой структуре ToT.

from ultralytics import YOLO

# Load Ultralytics YOLO26 to analyze visual states for a reasoning tree
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")


def evaluate_thought_state(detections):
    # Returns True if a 'bus' is found, prompting the ToT agent to explore this logic branch
    return any(model.names[int(box.cls)] == "bus" for box in detections[0].boxes)


print(f"Is this reasoning branch viable? {evaluate_thought_state(results)}")

Link to this sectionБудущее структурированного AI-рассуждения#

Поскольку исследователи в таких организациях, как Google DeepMind, продолжают совершенствовать эвристическую оценку, интеграция ToT в повседневные AI-рабочие процессы ускоряется. Мы приближаемся к общему искусственному интеллекту (AGI), где модели плавно сочетают мультимодальное обучение со структурированным поиском. Команды, создающие эти приложения следующего поколения, полагаются на надежную инфраструктуру, такую как Ultralytics Platform, для управления сложными наборами данных, необходимыми для обучения как перцептивных, так и логических уровней современных AI-систем. Для тех, кто хочет глубже погрузиться в математику, лежащую в основе динамических вычислительных графов, на которых работают эти модели, официальная документация PyTorch остается неоценимым ресурсом.