Cadena de Borradores: Pensar más Rápido Escribiendo Menos

Chain of Draft: Thinking Faster by Writing Less

February 25, 2025

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

cs.AI

Resumen

Los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) han demostrado un rendimiento notable en la resolución de tareas de razonamiento complejo mediante mecanismos como el prompting de Cadena de Pensamiento (CoT, por sus siglas en inglés), que enfatiza un razonamiento detallado y paso a paso. Sin embargo, los humanos suelen emplear una estrategia más eficiente: redactar pensamientos intermedios concisos que capturan únicamente la información esencial. En este trabajo, proponemos la Cadena de Borrador (CoD, por sus siglas en inglés), un paradigma novedoso inspirado en los procesos cognitivos humanos, donde los LLMs generan resultados intermedios de razonamiento minimalistas pero informativos mientras resuelven tareas. Al reducir la verbosidad y centrarse en insights críticos, CoD iguala o supera a CoT en precisión mientras utiliza tan solo el 7.6% de los tokens, reduciendo significativamente el costo y la latencia en diversas tareas de razonamiento.

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.