Kette der Entwürfe: Schneller denken durch weniger Schreiben

Chain of Draft: Thinking Faster by Writing Less

February 25, 2025

Autoren: Silei Xu, Wenhao Xie, Lingxiao Zhao, Pengcheng He

cs.AI

Zusammenfassung

Große Sprachmodelle (LLMs) haben bemerkenswerte Leistungen bei der Lösung komplexer Denkaufgaben durch Mechanismen wie Chain-of-Thought (CoT)-Prompting gezeigt, das ausführliches, schrittweises Denken betont. Menschen hingegen verwenden typischerweise eine effizientere Strategie: Sie entwerfen prägnante Zwischengedanken, die nur wesentliche Informationen erfassen. In dieser Arbeit schlagen wir Chain of Draft (CoD) vor, ein neuartiges Paradigma, das von menschlichen kognitiven Prozessen inspiriert ist und bei dem LLMs minimalistische, aber informative Zwischenergebnisse erzeugen, während sie Aufgaben lösen. Durch die Reduzierung von Ausführlichkeit und die Konzentration auf kritische Einsichten erreicht CoD eine vergleichbare oder bessere Genauigkeit als CoT, verwendet dabei jedoch nur 7,6 % der Tokens und reduziert so die Kosten und Latenz bei verschiedenen Denkaufgaben erheblich.

English

Large Language Models (LLMs) have demonstrated remarkable performance in solving complex reasoning tasks through mechanisms like Chain-of-Thought (CoT) prompting, which emphasizes verbose, step-by-step reasoning. However, humans typically employ a more efficient strategy: drafting concise intermediate thoughts that capture only essential information. In this work, we propose Chain of Draft (CoD), a novel paradigm inspired by human cognitive processes, where LLMs generate minimalistic yet informative intermediate reasoning outputs while solving tasks. By reducing verbosity and focusing on critical insights, CoD matches or surpasses CoT in accuracy while using as little as only 7.6% of the tokens, significantly reducing cost and latency across various reasoning tasks.