Catena di Bozze: Pensare Più Velocemente Scrivendo Meno

Chain of Draft: Thinking Faster by Writing Less

February 25, 2025

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

cs.AI

Abstract

I Large Language Model (LLM) hanno dimostrato prestazioni notevoli nella risoluzione di compiti di ragionamento complesso attraverso meccanismi come il prompting a Catena di Pensiero (Chain-of-Thought, CoT), che enfatizza un ragionamento verboso e passo-passo. Tuttavia, gli esseri umani tipicamente adottano una strategia più efficiente: elaborano pensieri intermedi concisi che catturano solo le informazioni essenziali. In questo lavoro, proponiamo la Catena di Bozze (Chain of Draft, CoD), un nuovo paradigma ispirato ai processi cognitivi umani, in cui gli LLM generano output di ragionamento intermedi minimalisti ma informativi durante la risoluzione dei compiti. Riducendo la verbosità e concentrandosi sulle intuizioni critiche, il CoD eguaglia o supera il CoT in termini di accuratezza utilizzando solo il 7,6% dei token, riducendo significativamente i costi e la latenza in vari compiti di ragionamento.

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.