Keten van Concepten: Sneller Denken door Minder te Schrijven

Chain of Draft: Thinking Faster by Writing Less

February 25, 2025

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

cs.AI

Samenvatting

Grote Taalmodellen (LLM's) hebben opmerkelijke prestaties getoond bij het oplossen van complexe redeneertaken door mechanismen zoals Chain-of-Thought (CoT) prompting, waarbij uitgebreide, stapsgewijze redeneringen worden benadrukt. Mensen gebruiken echter doorgaans een efficiëntere strategie: het opstellen van beknopte tussenliggende gedachten die alleen essentiële informatie vastleggen. In dit werk introduceren we Chain of Draft (CoD), een nieuw paradigma geïnspireerd op menselijke cognitieve processen, waarbij LLM's minimalistische maar informatieve tussenliggende redeneeruitkomsten genereren tijdens het oplossen van taken. Door de uitgebreidheid te verminderen en te focussen op kritische inzichten, evenaart of overtreft CoD de nauwkeurigheid van CoT terwijl slechts 7,6% van de tokens wordt gebruikt, wat de kosten en latentie aanzienlijk vermindert bij diverse redeneertaken.

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.