--- title: "Least-to-most Prompting (FR)" source: "https://systems-analysis.info/int/Least-to-most_Prompting_(FR)" wiki: "systems-analysis.info/int" article: "Least-to-most_Prompting_(FR)" language: "fr" categories: - "Category:French" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 3823 wiki_created_at: 2026-09-06T23:26:39Z wiki_modified_at: 2026-09-06T23:26:39Z downloaded_at: 2026-09-07T22:59:17Z --- # Least-to-most Prompting (FR) **Least-to-Most Prompting** (**LtM**) est une méthode de conception de **prompts** pour les [grands modèles de langage](https://systems-analysis.info/int/Grands_mod%C3%A8les_de_langage "Grands modèles de langage") (**LLM**), qui permet de résoudre des problèmes complexes en les **décomposant** en étapes plus simples, puis en résolvant séquentiellement ces sous-tâches^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-pdf-1)}. Cette approche a été proposée en 2022 par un groupe de chercheurs de Google Brain dirigé par **Denny Zhou** et a été présentée à la conférence ICLR 2023^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. L'objectif principal de la méthode est de surmonter les limitations des prompts de type Chain-of-Thought, qui peinent à gérer des tâches plus complexes que les exemples présentés au modèle lors de l'apprentissage par prompts^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Le Least-to-Most Prompting permet au modèle de **généraliser à des tâches de complexité accrue**, tout en restant interprétable et sans nécessiter d'entraînement supplémentaire du réseau neuronal^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Le nom de la méthode est emprunté à la psychologie de l'éducation, où le « least to most prompting » désigne la présentation à un étudiant d'une série d'indices avec un niveau d'aide croissant pour l'acquisition d'une nouvelle compétence^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-aisafety-info-3)}. ## Description de la méthode La méthode Least-to-Most Prompting se déroule en **deux étapes**^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}, chacune étant guidée pour le modèle de langage lui-même par des prompts soigneusement élaborés (sans ré-entraînement supplémentaire du modèle) : 1. **Décomposition du problème**. Lors de la première étape, le modèle reçoit une instruction et des exemples montrant comment décomposer un problème complexe en une séquence de sous-tâches plus simples. Ensuite, le modèle est confronté à une question complexe spécifique et doit générer une liste de **questions intermédiaires** simplifiées^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Par exemple, pour un problème complexe, le modèle peut formuler de manière autonome une sous-question de clarification qui aborde une partie du problème initial. 2. **Résolution séquentielle des sous-tâches**. Lors de la deuxième étape, le modèle résout les sous-tâches obtenues **l'une après l'autre** — de la plus simple à la plus complexe. Pour ce faire, chaque sous-tâche est précédée d'un contexte : des exemples de solutions à des sous-problèmes similaires, ainsi que (le cas échéant) les sous-tâches précédentes déjà résolues avec leurs réponses^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-medium-oxenai-4)}. Après avoir résolu la première sous-tâche, le modèle ajoute sa réponse au texte du prompt et aborde la sous-tâche suivante, en utilisant les solutions précédentes comme contexte^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-medium-oxenai-4)}. Ce processus se poursuit jusqu'à ce que la sous-tâche finale, la plus complexe, qui répond directement à la question initiale, soit résolue. Exemple : un problème textuel initial est décomposé en deux étapes grâce à la méthode Least-to-Most. D'abord, le modèle formule et résout une question intermédiaire (« How long does each trip take? » — « Combien de temps dure chaque trajet ? »), obtenant la réponse “each trip takes 5 minutes" (« chaque trajet dure 5 minutes »). Cette réponse est incluse dans un nouveau prompt avec la sous-tâche suivante – la question originale (“How many times can she slide before it closes?” – « Combien de fois peut-elle glisser avant que l'attraction ne ferme ? »). En utilisant le résultat précédent, le modèle calcule la réponse finale (dans cet exemple : 3 fois). Fondamentalement, le Least-to-Most Prompting se distingue de l'approche standard Chain-of-Thought en ce qu'il divise le processus de raisonnement en requêtes distinctes avec accumulation de connaissances, au lieu de générer une seule « chaîne de pensée » continue en une seule réponse^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-aisafety-info-3)}. Une telle **approche par étapes et récursive** permet au modèle de progresser graduellement vers des aspects de plus en plus complexes du problème, résolvant efficacement le problème de la **généralisation du simple au complexe** (**easy-to-hard generalization**) (lorsque le modèle est confronté à une tâche plus difficile que celles des exemples d'entraînement)^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-aisafety-info-3)}. Il convient de noter que les deux étapes de la méthode LtM sont mises en œuvre par le biais du *few-shot prompting* (démonstration de quelques exemples) et ne nécessitent ni entraînement supplémentaire ni *fine-tuning* du modèle sur de nouvelles données^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. De plus, la méthode est compatible avec d'autres techniques d'amélioration du raisonnement des LLM ; par exemple, elle peut être combinée avec le Chain-of-Thought et la *self-consistency* (échantillonnage de plusieurs solutions) lors de la génération de la réponse, bien que cela ne soit pas indispensable^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-pdf-1)}. ## Résultats expérimentaux et applications Dans l'article qui a introduit le Least-to-Most Prompting, il a été démontré que cette méthode **surpasse les méthodes de prompting standards** (y compris le Chain-of-Thought) sur un ensemble de tâches nécessitant un raisonnement complexe en plusieurs étapes^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-pdf-1)}. Elle a démontré avec succès ses avantages dans trois catégories clés de tâches : - **Tâches symboliques et algorithmiques**. Par exemple, dans la tâche de **concaténation des dernières lettres des mots** (prendre séquentiellement la dernière lettre de chaque mot d'une liste et former un nouveau mot), la méthode LtM a considérablement amélioré la capacité du modèle à généraliser à des séquences de mots plus longues. Sans entraînement spécifique, le modèle GPT-3 (code-davinci-002) avec des prompts Chain-of-Thought ne résolvait correctement ces tâches que dans environ **32 %** des cas pour une liste de 12 mots, alors qu'avec le Least-to-Most Prompting, la précision atteignait **~74 %**^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-pdf-1)}. Pour les listes courtes (de longueurs rencontrées dans les exemples), les deux stratégies fonctionnaient bien, mais à mesure que la longueur de la séquence augmentait, la performance du Chain-of-Thought chutait brusquement, tandis que le Least-to-Most assurait une baisse plus douce et maintenait une précision élevée^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-pdf-1)}. Cela démontre la capacité de la méthode LtM à **généraliser la logique de résolution** à des données d'entrée plus complexes (longues). - **Généralisation compositionnelle** (compositional generalization). Cette catégorie de tâches comprend, par exemple, la traduction d'instructions textuelles en séquences d'actions (comme dans le benchmark **SCAN**, qui demande d'exécuter des commandes de type "jump twice and run" et de généraliser à des combinaisons plus longues)^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-medium-oxenai-4)}. La méthode LtM a permis aux LLM de résoudre avec succès même les variantes les plus difficiles de ces tâches. En particulier, le modèle GPT-3 avec des prompts LtM a atteint **99 %** de précision sur toutes les variantes de découpage des données de l'ensemble SCAN (y compris le plus difficile, le *length split*, où les séquences de test sont plus longues que celles d'entraînement), en utilisant seulement 14 exemples dans le prompt^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. À titre de comparaison, l'approche Chain-of-Thought standard n'obtenait qu'environ **16 %** de précision dans des conditions similaires^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. De plus, ce résultat a été obtenu **sans entraîner le modèle** sur les données d'entraînement, alors que les meilleures solutions précédentes pour SCAN s'appuyaient sur des architectures neuro-symboliques spéciales ou des méthodes d'augmentation de données, nécessitant l'utilisation de l'ensemble d'entraînement complet de plus de 15 000 exemples^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Ainsi, le Least-to-Most Prompting a démontré une **capacité de généralisation compositionnelle sans précédent** pour des modèles sans *fine-tuning*. - **Problèmes mathématiques énoncés en langage naturel**. La méthode a été testée sur des problèmes d'arithmétique textuels, par exemple ceux du jeu de données **GSM8K** (problèmes complexes de logique et d'addition/soustraction)^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}, ainsi que sur un ensemble de questions du jeu de données **DROP** (évaluant la capacité à extraire et à compter des informations numériques dans un texte)^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Dans ce domaine également, le Least-to-Most Prompting a montré une **amélioration de la précision** par rapport au Chain-of-Thought. Par exemple, pour GSM8K avec le modèle code-davinci-002, la précision des réponses est passée de ~60,9 % à ~62,4 %^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Sur les sous-tâches de DROP, le gain était encore plus notable : par exemple, sur des questions relatives à des faits sur le football, la précision est passée de ~59,6 % (Chain-of-Thought) à ~73,4 % avec l'application du LtM^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Bien que l'amélioration sur les tâches mathématiques ait été moins spectaculaire que pour SCAN, les auteurs soulignent un point important : presque tous les problèmes de GSM8K peuvent être résolus correctement si le modèle reçoit une **décomposition correcte du problème**^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Cela indique que la clé du succès réside dans des questions intermédiaires bien formulées ; l'approche LtM vise précisément à générer automatiquement de telles questions et à les résoudre séquentiellement. En résumé, les expériences confirment que le Least-to-Most Prompting **surpasse de manière significative** à la fois le *few-shot prompting* naïf sans raisonnement et la méthode Chain-of-Thought sur de nombreux types de tâches nécessitant une inférence en plusieurs étapes^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-pdf-1)}. La méthode permet aux LLM de résoudre des problèmes plus complexes que ceux auxquels ils ont été initiés par des exemples, repoussant ainsi les limites de l'apprentissage en contexte (**in-context learning**). ## Limitations et pistes futures Malgré ses succès, la méthode Least-to-Most Prompting présente certaines **limitations**. Avant tout, différents types de problèmes nécessitent **différentes approches de décomposition**. Un modèle de prompt qui décompose efficacement un problème mathématique peut être totalement inadapté à un problème de logique ou de raisonnement de bon sens^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Par exemple, les prompts qui ont appris au modèle à décomposer des problèmes mathématiques textuels en étapes se sont révélés inutiles pour une question de bon sens comme « Aristote a-t-il utilisé un ordinateur portable ? » — une telle question nécessite une stratégie de décomposition complètement différente^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Par conséquent, pour chaque nouveau domaine ou type de problème, il est nécessaire de **sélectionner de nouveaux exemples** de décomposition et de créer un prompt correspondant illustrant la structure de la solution^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-aisafety-info-3)}. En d'autres termes, la connaissance de la manière de décomposer correctement un problème n'est pas généralisée de manière universelle par le LLM lui-même ; elle doit être fournie par des exemples spécifiques à une classe de tâches donnée. De plus, l'efficacité du LtM dépend fortement de la **facilité avec laquelle un problème peut être décomposé** en sous-objectifs autonomes. Si le modèle ne parvient pas à formuler correctement les étapes intermédiaires ou si certaines sous-tâches nécessaires sont omises, la solution finale sera également incorrecte. Néanmoins, les développeurs eux-mêmes notent que dans de nombreux cas, un échec peut être transformé en succès si un humain fournit manuellement la bonne décomposition — le modèle résout alors sans difficulté chaque partie et combine avec succès les réponses^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. Cela souligne le potentiel de développement futur de l'approche : l'amélioration de la qualité de la génération automatique de sous-tâches et, éventuellement, l'apprentissage interactif des modèles. En conclusion, les auteurs du LtM suggèrent que l'avenir des méthodes de prompting pourrait s'orienter vers un véritable **dialogue bilatéral** avec le modèle, où celui-ci reçoit un retour d'information instantané et des corrections sur ses étapes intermédiaires^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-2)}. La méthode Least-to-Most Prompting peut être considérée comme un pas dans cette direction, montrant qu'une interaction séquentielle avec le modèle par la décomposition et la résolution par étapes des problèmes permet d'**étendre considérablement ses capacités de raisonnement sans entraînement** sur de nouvelles données^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_note-arxiv-original-pdf-1)}. ## Liens externes - Article original « Least-to-Most Prompting Enables Complex Reasoning in Large Language Models » sur arXiv - Version HTML de l'article original - Qu'est-ce que le Least-to-Most Prompting ? — article de AI Safety Info - Présentation de la méthode sur Medium - Revue générale des méthodes de prompt engineering sur arXiv ## Bibliographie - 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. ## Références 1. ↑ ^{[1.0](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original-pdf_1-0)} ^{[1.1](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original-pdf_1-1)} ^{[1.2](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original-pdf_1-2)} ^{[1.3](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original-pdf_1-3)} ^{[1.4](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original-pdf_1-4)} ^{[1.5](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original-pdf_1-5)} ^{[1.6](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original-pdf_1-6)} Zhou, Denny et al. «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models». *ar5iv.org*. [1] 2. ↑ ^{[2.00](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-0)} ^{[2.01](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-1)} ^{[2.02](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-2)} ^{[2.03](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-3)} ^{[2.04](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-4)} ^{[2.05](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-5)} ^{[2.06](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-6)} ^{[2.07](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-7)} ^{[2.08](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-8)} ^{[2.09](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-9)} ^{[2.10](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-10)} ^{[2.11](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-11)} ^{[2.12](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-12)} ^{[2.13](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-13)} ^{[2.14](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-14)} ^{[2.15](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-15)} ^{[2.16](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-16)} ^{[2.17](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-17)} ^{[2.18](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-18)} ^{[2.19](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-arxiv-original_2-19)} Zhou, Denny et al. «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models». *arXiv*. [2] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-aisafety-info_3-0)} ^{[3.1](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-aisafety-info_3-1)} ^{[3.2](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-aisafety-info_3-2)} ^{[3.3](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-aisafety-info_3-3)} «What is least-to-most prompting?». *AI Safety Info*. [3] 4. ↑ ^{[4.0](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-medium-oxenai_4-0)} ^{[4.1](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-medium-oxenai_4-1)} ^{[4.2](https://systems-analysis.info/int/Least-to-most_Prompting_(FR)#cite_ref-medium-oxenai_4-2)} OXEN AI. «Arxiv Dives Toolformer: Language models can teach themselves to use tools». *Medium*. [4]