--- title: "Least-to-most Prompting (BN)" source: "https://systems-analysis.info/int/Least-to-most_Prompting_(BN)" wiki: "systems-analysis.info/int" article: "Least-to-most_Prompting_(BN)" language: "bn" categories: - "Category:Bengali" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 3817 wiki_created_at: 2026-09-06T23:26:34Z wiki_modified_at: 2026-09-06T23:26:34Z downloaded_at: 2026-09-07T22:59:14Z --- # Least-to-most Prompting (BN) **Least-to-Most Prompting** (**LtM**) — বৃহৎ ভাষা মডেলের (**LLM**) জন্য **প্রম্পট** তৈরির একটি পদ্ধতি, যা জটিল সমস্যাগুলিকে সহজতর ধাপে **বিভাজন** করে এবং তারপর ধারাবাহিকভাবে সেই উপ-সমস্যাগুলি সমাধান করে[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-pdf-1)। এই পদ্ধতিটি ২০২২ সালে Google Brain-এর একটি গবেষক দল **Denny Zhou**-এর নেতৃত্বে প্রস্তাব করেছিল এবং ICLR 2023 সম্মেলনে উপস্থাপন করা হয়েছিল[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। পদ্ধতির মূল লক্ষ্য হলো Chain-of-Thought প্রম্পটের সীমাবদ্ধতা অতিক্রম করা, যা প্রম্পট-ভিত্তিক শিক্ষায় মডেলকে দেখানো উদাহরণগুলির চেয়ে জটিল সমস্যায় ভালো কাজ করে না[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। Least-to-Most Prompting মডেলকে **অধিক জটিল সমস্যায় সাধারণীকরণ** করতে সক্ষম করে, একইসাথে এটি ব্যাখ্যাযোগ্য থাকে এবং নিউরাল নেটওয়ার্কের অতিরিক্ত প্রশিক্ষণের প্রয়োজন হয় না[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। পদ্ধতির নামটি শিক্ষামূলক মনোবিজ্ঞান থেকে নেওয়া হয়েছে, যেখানে «least to most prompting» বলতে একজন শিক্ষার্থীকে নতুন দক্ষতা আয়ত্ত করতে সাহায্যের জন্য ক্রমবর্ধমান মাত্রায় সহায়তার একটি সিরিজ প্রম্পট প্রদান করাকে বোঝায়[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-aisafety-info-3)। ## পদ্ধতির বিবরণ Least-to-Most Prompting পদ্ধতি **দুটি ধাপে** বাস্তবায়িত হয়[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2), যার প্রতিটি ধাপ ভাষা মডেলকেই carefully-crafted prompts-এর মাধ্যমে নির্দেশ দেওয়া হয় (মডেলের অতিরিক্ত fine-tuning ছাড়াই): 1. **সমস্যার বিভাজন**। প্রথম ধাপে মডেল নির্দেশনা এবং উদাহরণ পায়, যা দেখায় কীভাবে একটি জটিল সমস্যাকে সহজতর উপ-সমস্যার ধারাবাহিকতায় বিভক্ত করতে হয়। তারপর মডেলকে একটি নির্দিষ্ট জটিল প্রশ্ন দেওয়া হয় এবং সে সরলীকৃত **মধ্যবর্তী প্রশ্নের** তালিকা তৈরি করে[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। উদাহরণস্বরূপ, একটি জটিল সমস্যার জন্য মডেল নিজেই মূল সমস্যার একটি অংশ সম্বোধন করে একটি স্পষ্টকারী উপ-প্রশ্ন তৈরি করতে পারে। 2. **উপ-সমস্যার ধারাবাহিক সমাধান**। দ্বিতীয় ধাপে মডেল প্রাপ্ত উপ-সমস্যাগুলি **একে একে** সমাধান করে — সবচেয়ে সহজ থেকে সবচেয়ে জটিল পর্যন্ত। এর জন্য প্রতিটি উপ-সমস্যার আগে প্রসঙ্গ থাকে: অনুরূপ উপ-সমস্যার সমাধানের উদাহরণ, এবং (যদি থাকে) ইতোমধ্যে সমাধান করা পূর্ববর্তী উপ-সমস্যাগুলি তাদের উত্তরসহ[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-medium-oxenai-4)। প্রথম উপ-সমস্যা সমাধান করে মডেল তার উত্তর প্রম্পটের পাঠ্যে যোগ করে এবং পরবর্তী উপ-সমস্যা পায়, পূর্ববর্তী সমাধানগুলি প্রসঙ্গ হিসেবে ব্যবহার করে[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-medium-oxenai-4)। এভাবে চলতে থাকে যতক্ষণ না চূড়ান্ত, সবচেয়ে জটিল উপ-সমস্যাটি সমাধান হয়, যা সরাসরি মূল প্রশ্নের উত্তর দেয়। উদাহরণ: মূল পাঠ্য সমস্যাটি Least-to-Most পদ্ধতির মাধ্যমে দুটি ধাপে বিভক্ত করা হয়। প্রথমে মডেল একটি মধ্যবর্তী প্রশ্ন তৈরি ও সমাধান করে («How long does each trip take?» — «প্রতিটি যাত্রায় কত সময় লাগে?»), উত্তর পায় «each trip takes 5 minutes» («প্রতিটি যাত্রায় ৫ মিনিট লাগে»)। এই উত্তরটি পরবর্তী উপ-সমস্যাসহ নতুন প্রম্পটে অন্তর্ভুক্ত হয় — মূল প্রশ্ন («How many times can she slide before it closes?» — «এটি বন্ধ হওয়ার আগে সে কতবার নামতে পারবে?»)। পূর্ববর্তী ফলাফল ব্যবহার করে মডেল চূড়ান্ত উত্তর গণনা করে (এই উদাহরণে: ৩ বার)। মূলত, Least-to-Most Prompting স্ট্যান্ডার্ড chain-of-thought পদ্ধতি থেকে আলাদা কারণ এটি যুক্তি প্রক্রিয়াটিকে জ্ঞান সঞ্চয়ের সাথে পৃথক অনুরোধে বিভক্ত করে, একটি উত্তরের মধ্যে একটানা «চিন্তার শৃঙ্খল» তৈরির পরিবর্তে[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-aisafety-info-3)। এই **ধাপে ধাপে, পুনরাবৃত্তিমূলক পদ্ধতি** মডেলকে ধীরে ধীরে সমস্যার আরও জটিল দিকগুলিতে অগ্রসর হতে দেয়, কার্যকরভাবে **easy-to-hard generalization** সমস্যা দূর করে (যখন মডেল প্রশিক্ষণ উদাহরণগুলির চেয়ে কঠিন সমস্যার মুখোমুখি হয়)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-aisafety-info-3)। উল্লেখ্য, LtM পদ্ধতির উভয় ধাপই few-shot prompting (কয়েকটি উদাহরণ প্রদর্শন)-এর মাধ্যমে বাস্তবায়িত হয় এবং মডেলের অতিরিক্ত প্রশিক্ষণ বা নতুন ডেটায় fine-tuning প্রয়োজন হয় না[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। এছাড়াও, পদ্ধতিটি LLM-এর যুক্তি উন্নত করার অন্যান্য কৌশলের সাথে সামঞ্জস্যপূর্ণ, উদাহরণস্বরূপ, উত্তর তৈরিতে chain-of-thought এবং self-consistency (একাধিক সমাধানের ক্রমানুযায়ী নমুনা)-এর সাথে একত্রিত করা যায়, যদিও এটি আবশ্যক নয়[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-pdf-1)। ## পরীক্ষামূলক ফলাফল ও প্রয়োগ Least-to-Most Prompting প্রস্তাবকারী গবেষণায় দেখানো হয়েছে যে এই পদ্ধতিটি বহু-ধাপের জটিল যুক্তি প্রয়োজন এমন বেশ কিছু সমস্যায় **স্ট্যান্ডার্ড প্রম্পটিং পদ্ধতিকে ছাড়িয়ে যায়** (chain-of-thought সহ)[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-pdf-1)। এটি তিনটি মূল সমস্যার বিভাগে তার সুবিধা সফলভাবে প্রদর্শন করেছে: - **প্রতীকী ও অ্যালগরিদমিক সমস্যা**। উদাহরণস্বরূপ, **শব্দের শেষ অক্ষর যোড়া লাগানো** (তালিকার প্রতিটি শব্দের শেষ অক্ষর ক্রমানুসারে নিয়ে নতুন শব্দ তৈরি করা) সমস্যায় LtM পদ্ধতি দীর্ঘতর শব্দ ক্রমে মডেলের সাধারণীকরণ ক্ষমতা উল্লেখযোগ্যভাবে বৃদ্ধি করেছে। বিশেষ প্রশিক্ষণ ছাড়া GPT-3 (code-davinci-002) মডেল chain-of-thought প্রম্পটে এই সমস্যাগুলি সঠিকভাবে মাত্র প্রায় **৩২%** ক্ষেত্রে সমাধান করতে পারত যখন শব্দের তালিকার দৈর্ঘ্য ১২ হত, আর Least-to-Most Prompting ব্যবহারে নির্ভুলতা **~৭৪%** পর্যন্ত পৌঁছেছিল[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-pdf-1)। ছোট তালিকায় (উদাহরণে ব্যবহৃত দৈর্ঘ্য) উভয় কৌশলই ভালো কাজ করত, কিন্তু ক্রমের দৈর্ঘ্য বাড়ার সাথে সাথে chain-of-thought-এর মান দ্রুত হ্রাস পেত, যেখানে Least-to-Most আরও মসৃণ হ্রাস নিশ্চিত করত এবং উচ্চ নির্ভুলতা বজায় রাখত[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-pdf-1)। এটি LtM পদ্ধতির **সমাধানের যুক্তি সাধারণীকরণ** করার ক্ষমতা প্রদর্শন করে আরও জটিল (দীর্ঘ) ইনপুটের জন্য। - **কম্পোজিশনাল সাধারণীকরণ** (compositional generalization)। এই বিভাগের সমস্যায় অন্তর্ভুক্ত রয়েছে, উদাহরণস্বরূপ, পাঠ্য নির্দেশনাকে কর্মের ক্রমে অনুবাদ করা (যেমন **SCAN** benchmark-এ, যেখানে «jump twice and run» ধরনের আদেশ পালন করতে এবং দীর্ঘতর সমন্বয়ে সাধারণীকরণ করতে হয়)[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-medium-oxenai-4)। LtM পদ্ধতি LLM-কে এই ধরনের সমস্যার সবচেয়ে জটিল রূপান্তরগুলিও সফলভাবে সমাধান করতে সক্ষম করেছে। বিশেষভাবে, LtM প্রম্পটে GPT-3 মডেল SCAN dataset-এর সমস্ত ডেটা বিভাজন রূপান্তরে (সবচেয়ে কঠিন length split সহ, যেখানে পরীক্ষার ক্রম প্রশিক্ষণের চেয়ে দীর্ঘ) **৯৯%** নির্ভুলতা অর্জন করেছে, প্রম্পটে মাত্র ১৪টি উদাহরণ ব্যবহার করে[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। তুলনামূলকভাবে, অনুরূপ পরিস্থিতিতে স্ট্যান্ডার্ড chain-of-thought পদ্ধতি মাত্র প্রায় **১৬%** নির্ভুলতা দিয়েছিল[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। আরও উল্লেখযোগ্য, এটি **মডেলকে প্রশিক্ষণ ডেটায় শেখানো ছাড়াই** অর্জিত হয়েছে, যেখানে SCAN-এর পূর্ববর্তী সেরা সমাধানগুলি বিশেষ নিউরো-সিম্বলিক আর্কিটেকচার বা ডেটা সম্প্রসারণ পদ্ধতির উপর নির্ভর করত যাতে \>১৫,০০০ উদাহরণের সম্পূর্ণ প্রশিক্ষণ সেট ব্যবহার করতে হত[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। এভাবে, Least-to-Most Prompting fine-tuning ছাড়া মডেলের জন্য **অভূতপূর্ব কম্পোজিশনাল সাধারণীকরণ ক্ষমতা** প্রদর্শন করেছে। - **গাণিতিক পাঠ্য সমস্যা**। পদ্ধতিটি পাঠ্যে অঙ্কের সমস্যায় পরীক্ষা করা হয়েছে, উদাহরণস্বরূপ, **GSM8K** dataset থেকে (যোগ/বিয়োগ ও যুক্তির জটিল পাঠ্য সমস্যা)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2), এবং **DROP** সেটের কিছু প্রশ্নে (পাঠ্যে সংখ্যাগত তথ্য বের করা ও গণনা করার দক্ষতা পরীক্ষা করে)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। এখানেও Least-to-Most Prompting chain-of-thought-এর তুলনায় **নির্ভুলতা উন্নত** করেছে। GSM8K-তে code-davinci-002 মডেল ব্যবহারে উত্তরের নির্ভুলতা ~৬০.৯% থেকে ~৬২.৪%-এ বৃদ্ধি পেয়েছে[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। DROP-এর উপ-কাজে লাভ আরও উল্লেখযোগ্য ছিল: উদাহরণস্বরূপ, «ফুটবল» সংক্রান্ত প্রশ্নের একটি অংশে নির্ভুলতা ~৫৯.৬% (chain-of-thought) থেকে LtM প্রয়োগে ~৭৩.৪%-এ উন্নীত হয়েছে[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। যদিও গাণিতিক সমস্যায় মানের বৃদ্ধি SCAN-এর মতো নাটকীয় ছিল না, লেখকরা একটি গুরুত্বপূর্ণ বিষয় উল্লেখ করেছেন: মডেল সঠিক **সমস্যার বিভাজন** পেলে প্রায় যেকোনো GSM8K সমস্যা সঠিকভাবে সমাধান করা যায়[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। এটি ইঙ্গিত করে যে সফল সমাধানের চাবিকাঠি হলো সুগঠিত মধ্যবর্তী প্রশ্ন; LtM পদ্ধতি ঠিক এই প্রশ্নগুলির স্বয়ংক্রিয় তৈরি ও তাদের ধারাবাহিক সমাধানের দিকে লক্ষ্য রাখে। সামগ্রিকভাবে, পরীক্ষাগুলি নিশ্চিত করে যে Least-to-Most Prompting বহু-ধাপের অনুমান প্রয়োজন এমন অনেক ধরনের সমস্যায় যুক্তিহীন নিষ্পাপ few-shot প্রম্পটিং এবং chain-of-thought পদ্ধতি উভয়কেই **উল্লেখযোগ্যভাবে ছাড়িয়ে যায়**[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-pdf-1)। পদ্ধতিটি LLM-কে উদাহরণের মাধ্যমে মডেল প্রাথমিকভাবে যে সমস্যার সাথে পরিচিত হয়েছিল তার চেয়ে জটিল সমস্যা সমাধান করতে সক্ষম করে, **in-context learning** (প্রম্পটের মাধ্যমে তাৎক্ষণিক শিক্ষা)-এর সীমানা প্রসারিত করে। ## সীমাবদ্ধতা ও ভবিষ্যৎ দিকনির্দেশনা সাফল্য সত্ত্বেও, Least-to-Most Prompting পদ্ধতির বেশ কিছু **সীমাবদ্ধতা** রয়েছে। সর্বপ্রথম, বিভিন্ন ধরনের সমস্যার জন্য **বিভাজনে ভিন্ন পদ্ধতি** প্রয়োজন। গাণিতিক সমস্যা কার্যকরভাবে বিভক্ত করার প্রম্পট টেমপ্লেট যৌক্তিক বা সাধারণ জ্ঞানের সমস্যার জন্য একেবারে অনুপযুক্ত হতে পারে[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। উদাহরণস্বরূপ, যে প্রম্পটগুলি মডেলকে গণিতের পাঠ্য সমস্যা ধাপে ধাপে বিভক্ত করতে শিখিয়েছে সেগুলি «অ্যারিস্টটল কি ল্যাপটপ ব্যবহার করতেন?» ধরনের সাধারণ জ্ঞানের প্রশ্নের জন্য অকেজো প্রমাণিত হয়েছে — এই ধরনের সমস্যার জন্য সম্পূর্ণ ভিন্ন বিভাজন কৌশল প্রয়োজন[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। তাই প্রতিটি নতুন ডোমেন বা সমস্যার ধরনের জন্য সমস্যাকে উপ-সমস্যায় বিভক্ত করার উদাহরণ **নতুনভাবে নির্বাচন করতে হয়** এবং সমাধানের কাঠামো চিত্রিত করে একটি সংশ্লিষ্ট prompt তৈরি করতে হয়[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-aisafety-info-3)। অন্য কথায়, কীভাবে সঠিকভাবে সমস্যা বিভক্ত করতে হয় সে জ্ঞান LLM নিজে সর্বজনীনভাবে সাধারণীকরণ করতে পারে না, এটি নির্দিষ্ট সমস্যার শ্রেণির জন্য উদাহরণের মাধ্যমে নির্ধারণ করতে হয়। আরও, LtM-এর কার্যকারিতা উল্লেখযোগ্যভাবে নির্ভর করে সমস্যাটি স্বাধীন উপ-লক্ষ্যে কতটা **সফলভাবে বিভক্ত হয়** তার উপর। মডেল যদি মধ্যবর্তী ধাপগুলি সঠিকভাবে তৈরি করতে না পারে বা কিছু প্রয়োজনীয় উপ-সমস্যা বাদ পড়ে, তাহলে চূড়ান্ত সমাধানও ভুল হবে। তবুও, ডেভেলপাররা নিজেরাই উল্লেখ করেছেন যে অনেক ক্ষেত্রে মানুষ যদি সঠিক বিভাজন ম্যানুয়ালি নির্দেশ করে তাহলে ব্যর্থতাকে সাফল্যে রূপান্তরিত করা যায় — তখন মডেল অনায়াসে প্রতিটি অংশ সমাধান করে সফলভাবে উত্তরগুলি একত্রিত করে[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। এটি পদ্ধতির আরও উন্নয়নের সম্ভাবনা তুলে ধরে: উপ-সমস্যার স্বয়ংক্রিয় তৈরির মান উন্নয়ন এবং সম্ভবত মডেলের ইন্টারেক্টিভ শিক্ষা। LtM লেখকরা উপসংহারে অনুমান করেছেন যে প্রম্পটিং পদ্ধতির ভবিষ্যৎ মডেলের সাথে সম্পূর্ণ **দ্বিমুখী সংলাপের** দিকে নির্দেশিত হতে পারে, যেখানে মডেল তাৎক্ষণিক প্রতিক্রিয়া এবং তার মধ্যবর্তী ধাপগুলির সংশোধন পায়[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-2)। Least-to-Most Prompting পদ্ধতিকে এই দিকে একটি পদক্ষেপ হিসেবে বিবেচনা করা যায়, যা দেখায় যে বিভাজন ও ধাপে ধাপে সমাধানের মাধ্যমে মডেলের সাথে ধারাবাহিক মিথস্ক্রিয়া নতুন ডেটায় প্রশিক্ষণ ছাড়াই তার **চিন্তা করার ক্ষমতা উল্লেখযোগ্যভাবে প্রসারিত** করে[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_note-arxiv-original-pdf-1)। ## তথ্যসূত্র - arXiv-এ মূল নিবন্ধ «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models» - মূল নিবন্ধের HTML সংস্করণ - Least-to-Most Prompting কী? — AI Safety Info-এর নিবন্ধ - Medium-এ পদ্ধতির পর্যালোচনা - arXiv-এ prompt engineering পদ্ধতির সামগ্রিক পর্যালোচনা ## সাহিত্য - Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625. - Zhou, D. et al. (2023). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. *ICLR 2023*. OpenReview. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Kojima, T. et al. (2022). *Large Language Models Are Zero-Shot Reasoners*. arXiv:2205.11916. - Nye, M. et al. (2021). *Show Your Work: Scratchpads for Intermediate Computation with Language Models*. arXiv:2112.00114. - Lake, B. M.; Baroni, M. (2018). *Generalization without Systematicity: On the Compositional Skills of Sequence-to-Sequence Recurrent Networks*. arXiv:1711.00350. - Cobbe, K. et al. (2021). *Training Verifiers to Solve Math Word Problems*. arXiv:2110.14168. - Dua, D. et al. (2019). *DROP: A Reading Comprehension Benchmark Requiring Discrete Reasoning Over Paragraphs*. arXiv:1903.00161. - Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493. ## টীকা 1. ↑ [1.0](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original-pdf_1-0) [1.1](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original-pdf_1-1) [1.2](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original-pdf_1-2) [1.3](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original-pdf_1-3) [1.4](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original-pdf_1-4) [1.5](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original-pdf_1-5) [1.6](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original-pdf_1-6) Zhou, Denny et al. «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models». *ar5iv.org*. [১] 2. ↑ [2.00](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-0) [2.01](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-1) [2.02](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-2) [2.03](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-3) [2.04](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-4) [2.05](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-5) [2.06](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-6) [2.07](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-7) [2.08](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-8) [2.09](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-9) [2.10](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-10) [2.11](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-11) [2.12](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-12) [2.13](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-13) [2.14](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-14) [2.15](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-15) [2.16](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-16) [2.17](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-17) [2.18](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-18) [2.19](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-arxiv-original_2-19) Zhou, Denny et al. «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models». *arXiv*. [২] 3. ↑ [3.0](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-aisafety-info_3-0) [3.1](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-aisafety-info_3-1) [3.2](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-aisafety-info_3-2) [3.3](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-aisafety-info_3-3) «What is least-to-most prompting?». *AI Safety Info*. [৩] 4. ↑ [4.0](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-medium-oxenai_4-0) [4.1](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-medium-oxenai_4-1) [4.2](https://systems-analysis.info/int/Least-to-most_Prompting_(BN)#cite_ref-medium-oxenai_4-2) OXEN AI. «Arxiv Dives Toolformer: Language models can teach themselves to use tools». *Medium*. [৪]