Tree of Thoughts (ToT)

Дерево мыслей (ToT) — это передовая структура рассуждений, предназначенная для улучшения возможностей больших языковых моделей (LLMs) в решении задач. В отличие от традиционных методов линейного промптинга, ToT позволяет моделям одновременно исследовать несколько путей рассуждения, подобно изучению ветвей дерева. На каждом шаге модель генерирует несколько возможных «мыслей» или промежуточных этапов рассуждения, оценивает их жизнеспособность и активно решает, какие пути продолжить, приостановить или отбросить. Такой подход имитирует решение задач человеком: мы часто рассматриваем различные возможности, мысленно проверяем гипотезы и возвращаемся назад, если понимаем, что определённый подход ошибочен.

Отличие дерева мыслей от цепочки рассуждений#

При изучении стратегий промптинга важно отличать дерево мыслей от промптинга с рассуждением по цепочке (CoT). CoT instructs a model to follow a single, linear sequence of logical steps to arrive at a conclusion. Хотя этот подход очень эффективен для многих задач, CoT не может восстановиться после ошибки, допущенной в начале последовательности. В отличие от него, ToT явно поддерживает древовидную структуру из нескольких путей рассуждения. Используя алгоритмы поиска в ширину или структуры поиска в глубину, ToT может возвращаться из тупиков и переключаться на более перспективные ветви, что делает его значительно более устойчивым при выполнении сложных задач генеративного ИИ.

Практическое применение дерева мыслей#

Способность заглядывать вперёд и оценивать несколько исходов делает ToT чрезвычайно ценным в различных отраслях, где требуется сложная логика.

• Автономные ИИ-агенты используют ToT для стратегического планирования в динамичных средах. Например, в логистике агент может разработать несколько сценариев маршрутизации, оценивая каскадные последствия задержек из-за пробок или погодных условий, прежде чем выбрать оптимальный маршрут.
• В передовых конвейерах компьютерного зрения ToT упрощает многоэтапное визуальное рассуждение. При использовании вместе с высокоскоростными моделями обнаружения объектов, такими как Ultralytics YOLO26, модель рассуждений может оценить визуальную сцену, выдвинуть гипотезы о потенциальных угрозах безопасности в умном производстве и вернуться назад, если более тщательный визуальный осмотр опровергнет первоначальную гипотезу.

Интеграция визуальных данных в ветви рассуждений#

При создании систем рассуждений визуальное восприятие служит сенсорным входом для логического дерева модели. Ты можешь беспрепятственно передавать данные обнаружения в реальном времени в модель рассуждений OpenAI или агенту, оценивающему ветви. В следующем примере показано, как извлекать данные об окружающей среде с помощью YOLO26, которые могут служить функцией оценки узлов 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)}")

Будущее структурированного рассуждения ИИ#

По мере того как исследователи из таких организаций, как Google DeepMind, продолжают совершенствовать эвристическую оценку, интеграция ToT в повседневные рабочие процессы ИИ ускоряется. Мы приближаемся к искусственному общему интеллекту (AGI), в котором модели смогут беспрепятственно сочетать [мультимодальное обучение](https://ultralytics-translation-2.invalid со структурированным поиском. Команды, создающие приложения нового поколения, полагаются на надёжную инфраструктуру, такую как Ultralytics Platform, для управления сложными наборами данных, необходимыми для обучения как слоя восприятия, так и слоя рассуждений современных ИИ-систем. Тем, кто хочет глубже изучить математику динамических вычислительных графов, лежащих в основе этих моделей, официальная документация PyTorch по-прежнему будет бесценным ресурсом.