Modele soruyu alt sorulara bölüp tek tek yanıtlatmak

Gabriele Dominici ve arkadaşlarının arXiv'e 22 Ekim 2026'da yüklediği makale şunu soruyor: Modelin yazdığı "adım adım" açıklamayı, cevabı gerçekten o adımlar mı üretti? Yazarlar bunun için CausalCoT adlı bir yöntem öneriyor. En çarpıcı sonuç, ara adımlara hata enjekte edildiğinde cevabın daha sık değişmesi; yani adımlar cevaba gerçekten bağlanıyor. Karşılığında genel doğruluk biraz düşüyor.

Araştırma ne buldu?

Makale bir ön baskı. Sayfada hakem değerlendirmesinden geçtiğine dair bir bilgi yok. Yöntem iki aşamalı. Önce model yalnızca planlayıcı olarak çalışıyor, problemi küçük alt sorulara bölüp aralarındaki bağımlılıkları yönlü bir çizge (DAG) olarak çıkarıyor. Sonra her alt soru sırayla, ayrı bir bağlamda yanıtlanıyor. Kök sorular yalnızca özgün girdiyi görüyor. Diğerleri yalnızca kendi alt sorusunu ve doğrudan "ebeveyn" sorularının cevaplarını görüyor. Kardeş dallar ve özgün girdi o noktada gizli.

Testler GPQA (lisansüstü düzey fen soruları), MedQA (klinik çıkarım) ve Counterfactual Simulatability Suite üzerinde yapıldı. Her kıyasta 200 örnek ve üç tekrar kullanılmış. Denenen modeller Gemma 4B, Gemma 12B, GPT-5.4 Nano, GPT-5.4 Mini, GPT-5.4, Claude Haiku 4.5 ve Claude Sonnet 4.6. Karşılaştırma, standart chain-of-thought (CoT) ve Factored Decomposition yöntemleriyle yapılmış.

Sayılar şöyle:

• Doğruluk: CausalCoT'un genel ortalaması en iyi referans yöntemin yaklaşık 1,05 ile 6,38 puan altında kaldı. GPT-5.4'te CoT %74,36, CausalCoT %72,18; Gemma 4B'de %44,84 karşısında %40,06.
• Sadakat: Ara adıma hata enjekte edilince cevabın değişme oranı GPT-5.4'te %26,82'den %48,43'e, Claude Sonnet 4.6'da %9,97'den %32,04'e çıktı. Özette ortalama kazanç en iyi referansa göre 12 puan, en fazla 21 puan olarak veriliyor.
• Müdahale: GPT-5.4 Nano'nun MedQA başarısı, üç düzeltmeden sonra %74,33'ten %95,17'ye çıktı.

Neden işe yarıyor?

Yazarların açıklaması şu: Sıradan üretimde her adım bağlamın tamamına bakabiliyor. Model cevabı doğrudan bağlamdan bulup sonradan makul görünen bir gerekçe yazabiliyor. Alt soruları yalıtmak bu kestirme yolu kapatıyor, çünkü bir adımın cevabı ancak kendi ebeveynlerinin cevaplarından çıkabiliyor. Bir adım hatalıysa yalnızca ondan sonrakileri yeniden hesaplamak yeterli. Bu yüzden insan düzeltmesi öngörülebilir biçimde yayılıyor.

Kendi promptlarında nasıl kullanırsın?

Makale otomatik bir çıkarım çerçevesi, sıradan bir sohbet penceresinde birebir uygulanamaz. Ama fikri elle taklit edebilirsin. Önemli bir kararda modele önce bir plan yaptır, sonra alt soruları ayrı sohbetlerde sor ve her sohbete yalnızca gereken önceki cevapları yapıştır. Bu uyarlama bizim. Makale sohbet arayüzünde böyle bir kullanımı test etmedi.

Makalenin bulgusundan yola çıkarak hazırladığımız şablon, ilk mesajla planı alır:

Aşağıdaki sorunu doğrudan cevaplama. Önce yalnızca planı çıkar.

Soru: [soru ya da karar]
Bağlam: [bilmem gereken arka plan]

1. Soruyu birbirinden bağımsız küçük alt sorulara böl. Her biri tek bir şeyi sorsun.
2. Her alt soru için hangi alt soruların cevabına ihtiyaç duyduğunu yaz (bağımlılıklar).
3. Henüz hiçbir alt soruyu cevaplama.

Planı onayladıktan sonra her alt soru için yeni bir sohbette şunu kullan:

Tek bir soruyu cevaplayacaksın. Yalnızca aşağıdaki bilgiyi kullan.

Alt soru: [alt soru]
Önceki bulgular: [yalnızca bu alt sorunun bağlı olduğu cevaplar]

Cevabı "BULGU:" ile başlayan kısa bir paragraf olarak ver. Bilgi yetmiyorsa neyin eksik olduğunu söyle.

Örnek: "Küçük bir mağaza için bulut mu, kendi sunucusu mu?" sorusunu maliyet, bakım yükü ve veri güvenliği alt sorularına böl. Maliyet cevabı bakım sorusuna bağlıysa yalnızca onu yapıştır. En sonda bulguları birleştirmesini isteyebilirsin. Bir bulguyu yanlış bulursan düzelt ve sadece ona bağlı adımları yeniden sor.

Sınırlar

• Doğruluk düştü ve çıkarım maliyeti CoT'tan yüksek. Makale bağımsız düğümlerin paralel çalışabileceğini söylüyor.
• Başlangıç çizgesi kötüyse sonraki her şey etkileniyor. Bu fark güçlü modellerde küçülüyor.
• Çizge üretimi prompt tabanlı ve resmi bir garanti yok. Yöntem modelin iç işleyişinin sadakatini kanıtlamıyor.
• Yalnızca şık seçmeli türde görevler test edildi, serbest metin üretimi test edilmedi.
• Enjekte edilen hatalar ve müdahale düzeltmeleri GPT-5.4 ile üretildi.

Bizim yorumumuz

Her sorunun bu işe değeri yok. Hız ve toplam doğruluk önemliyse sıradan "adım adım düşün" yeterli, hatta makaleye göre biraz daha iyi. Bu yöntem, gerekçenin gerçekten denetlenebilir olmasını istediğin işlerde anlamlı. Tıbbi, hukuki ya da mali bir kararı gözden geçirirken hangi adımın sonucu belirlediğini görmek ve yanlış adımı tek başına düzeltmek istersen işe yarar.

Elle uygulamak zahmetli ve makalenin ölçtüğü otomatik çerçeveyle aynı şey değil. Küçük bir deneme için iki üç alt soruyla başla, farkı kendin gör.

Bu içerik yapay zekâ ile yazıldı, otomatik denetimden geçti ve yayından önce editör onayına sunuldu. Kaynakta olmayan hiçbir bilgi eklenmez.

Sıradaki rapor →#R-103security-audit-skill: Kod ajanını güvenlik denetçisine çeviren araç