Least-to-Most Prompting

Least-to-Most Prompting deler et problem op i en kæde af delspørgsmål og løser dem ét ad gangen. Rækkefølgen er ikke tilfældig. Det første delproblem skal kunne besvares uden kendskab til de senere, og hvert følgende trin bruger de foregående svar som input.

Forskellen til Chain-of-Thought ligger i strukturen. Chain-of-Thought beder om en sammenhængende tankerække i ét gennemløb, hvor modellen selv afgør hvor mange trin der skal til. Least-to-Most gør nedbrydningen eksplicit og adskiller den fra selve løsningen, ofte som to faser eller to separate kald.

Tree-of-Thought går den modsatte vej og udforsker flere parallelle grene af samme trin for at vælge den bedste. Least-to-Most holder sig til én lineær kæde, hvor afhængighederne mellem trinene er lagt fast på forhånd.

Sprogmodeller genererer tekst token for token, betinget af alt der allerede står i context window. Når et delsvar er skrevet ud, indgår det som konkret tekst i betingelsen for næste trin. Mellemresultatet skal dermed ikke holdes implicit gennem hele beregningen, men kan aflæses direkte.

Det betyder mest på compositional opgaver, hvor løsningen består af kendte operationer sat sammen på en ny måde. Fejlene opstår typisk ikke i de enkelte operationer, men i kombinationen af dem i ét gennemløb. Nedbrydningen reducerer hvert trin til et mønster der ligner noget hyppigt forekommende i træningsdata.

Den eksplicitte struktur begrænser samtidig outputtet. Når prompten fastlægger hvilke delspørgsmål der skal besvares og i hvilken rækkefølge, er der færre frihedsgrader i det næste token, og mindre plads til at springe et led over.

Har problemet ingen reelle afhængigheder, er nedbrydningen spildt arbejde. Uafhængige delopgaver kan besvares i vilkårlig rækkefølge, og kæden koster så kun ekstra tokens og ventetid.

Den alvorligste fejlkilde er en forkert dekomposition. Hvert trin kan se korrekt ud isoleret set, mens kæden samlet besvarer et andet spørgsmål end det stillede. I budgeteksemplet er ligedeling per person og per dag en antagelse, ikke en udledning. Er overnatning den tunge post, bliver 667 kr per dag et misvisende udgangspunkt, uanset hvor rigtige regnestykkerne er.

Deraf den falske tryghed. At du kan kontrollere hvert delsvar, siger intet om, hvorvidt delspørgsmålene tilsammen dækker problemet. En fejl i første trin forplanter sig desuden til alle senere trin, fordi de bygger videre på outputtet.

Modeller med indbygget reasoning, som Claude Opus 5, GPT-5.6 Sol og Gemini 3.1 Pro, udfører en stor del af nedbrydningen uden at blive bedt om det. På almindelige flertrinsopgaver i matematik og planlægning giver en manuelt opbygget Least-to-Most-kæde sjældent et bedre svar end en præcis problembeskrivelse alene.

Værdien ligger i de tilfælde, hvor du selv kender den rigtige rækkefølge, og modellen ikke kan udlede den. Domænespecifikke afhængigheder, faste beregningsregler og processer med kontrol undervejs hører til her. Nedbrydningen bruges så til at styre vejen gennem problemet, ikke til at kompensere for manglende evne til flertrinsræsonnement.

På mindre modeller er forskellen større. Claude Haiku 4.5, Gemini 3.7 Flash og GPT-5 nano har kortere og mindre stabile interne ræsonnementer, og her afgør den eksplicitte struktur ofte, om et sammensat problem løses eller ej.