--- title: "Least-to-most Prompting (HU)" source: "https://systems-analysis.info/int/Least-to-most_Prompting_(HU)" wiki: "systems-analysis.info/int" article: "Least-to-most_Prompting_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 3826 wiki_created_at: 2026-09-06T23:26:41Z wiki_modified_at: 2026-09-06T23:26:41Z downloaded_at: 2026-09-07T22:59:18Z --- # Least-to-most Prompting (HU) **Least-to-Most Prompting** (**LtM**) — nagy nyelvi modellek (**LLM**) számára készült **promptok** fejlesztési módszere, amely lehetővé teszi az összetett feladatok megoldását azok **dekompozícióján** keresztül: a feladatot egyszerűbb lépésekre bontja, majd ezeket a részfeladatokat egymás után oldja meg[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-pdf-1). Ezt a megközelítést 2022-ben javasolta a Google Brain kutatócsoportja **Denny Zhou** vezetésével, és az ICLR 2023 konferencián mutatták be[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). A módszer fő célja, hogy leküzdje a Chain-of-Thought promptok korlátját, amelyek rosszul teljesítenek olyan feladatokon, amelyek összetettebbek, mint a modellnek a prompt-alapú tanulás során megmutatott példák[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). A Least-to-Most Prompting lehetővé teszi a modell számára, hogy **általánosítson a nagyobb nehézségű feladatokra**, miközben értelmezhetővé marad, és nem igényel további neurális hálózati tanítást[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). A módszer neve a pedagógiai pszichológiából ered, ahol a „least to most prompting" azt jelöli, amikor a tanuló számára egyre növekvő segítséget nyújtó promptok sorozatát adják egy új készség elsajátításához[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-aisafety-info-3). ## A módszer leírása A Least-to-Most Prompting módszer **két szakaszban** valósul meg[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2), amelyek mindegyikét magán a nyelvi modellen hajtják végre, gondosan megformált promptokon keresztül (a modell további finomhangolása nélkül): 1. **A feladat dekompozíciója**. Az első szakaszban a modell utasítást és példákat kap, amelyek bemutatják, hogyan kell egy összetett feladatot egyszerűbb részfeladatok sorozatára bontani. Ezután a modell elé tárul egy konkrét nehéz kérdés, és a modellnek elő kell állítania az egyszerűsített **közbenső kérdések** listáját[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Például egy összetett feladatnál a modell önállóan megfogalmazhat egy pontosító alkérdést, amely az eredeti probléma egy részét kezeli. 2. **A részfeladatok egymást követő megoldása**. A második szakaszban a modell **sorban** megoldja a kapott részfeladatokat — a legegyszerűbbtől a legbonyolultabbig. Ehhez minden részfeladatot kontextus előz meg: hasonló részproblémák megoldási példái, valamint (ha vannak) a már megoldott korábbi részfeladatok és azok válaszai[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-medium-oxenai-4). Az első részfeladat megoldása után a modell hozzáfűzi a választ a prompt szövegéhez, és megkapja a következő részfeladatot, a korábbi megoldásokat kontextusként felhasználva[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-medium-oxenai-4). Ez addig folytatódik, amíg az utolsó, legnehezebb részfeladat meg nem oldódik, amely közvetlenül válaszol az eredeti kérdésre. Példa: az eredeti szöveges feladatot a Least-to-Most módszerrel két szakaszra bontják. Először a modell megfogalmaz és megold egy közbenső kérdést (\\How long does each trip take?\\ — \\Mennyi ideig tart egy utazás?\\), és megkapja a választ: \\each trip takes 5 minutes\\ (\\minden utazás 5 percig tart\\). Ezt a választ belefoglalják az új promptba a következő részfeladattal együtt – az eredeti kérdéssel (\\How many times can she slide before it closes?\\ – \\Hányszor tud csúszni, mielőtt az attrakció bezár?\\). Az előző eredmény felhasználásával a modell kiszámítja a végső választ (ebben a példában: 3-szor). Az LtM lényegében abban különbözik a standard chain-of-thought megközelítéstől, hogy a következtetési folyamatot különálló, tudást halmozó lekérdezésekre bontja ahelyett, hogy egyetlen folyamatos „gondolatláncolatot\\ generálna egyetlen válaszon belül[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-aisafety-info-3). Ez a **fokozatos, rekurzív megközelítés** lehetővé teszi a modell számára, hogy fokozatosan haladjon a feladat egyre összetettebb aspektusai felé, hatékonyan kiküszöbölve az **easy-to-hard generalization** problémáját (amikor a modell a tanítási példáknál nehezebb feladattal találkozik)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2)[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-aisafety-info-3). Megjegyzendő, hogy az LtM módszer mindkét szakasza few-shot prompting révén valósul meg (néhány példa bemutatásával), és nem igényli a modell további tanítását vagy új adatokon való finomhangolását[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Emellett a módszer kompatibilis az LLM következtetési képességét javító egyéb technikákkal; például kombinálható a chain-of-thought és a self-consistency (több megoldás egymás utáni mintavétele) módszerrel a válasz generálásakor, bár ez nem szükséges feltétel[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-pdf-1). ## Kísérleti eredmények és alkalmazások A Least-to-Most Prompting módszert bevezető munkában kimutatták, hogy ez a módszer **felülmúlja a standard prompt módszereket** (beleértve a chain-of-thought megközelítést is) számos, összetett többlépéses következtetést igénylő feladatban[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-pdf-1). A módszer sikeresen bizonyította előnyeit három kulcsfontosságú feladatkategóriában: - **Szimbolikus és algoritmikus feladatok**. Például a **szavak utolsó betűinek összefűzése** (a lista minden szavának utolsó betűjét sorban kiveszi, és belőlük új szót alkot) feladatban az LtM módszer lényegesen javította a modell képességét a hosszabb szósorozatokra való általánosításban. Speciális tanítás nélkül a GPT-3 modell (code-davinci-002) chain-of-thought promptokkal ilyen feladatokat csak mintegy **32%**-os pontossággal oldott meg, amikor a szólista hossza 12 volt, míg a Least-to-Most Prompting alkalmazásával a pontosság elérte a **~74%**-ot[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-pdf-1). Rövid listáknál (a példákban szereplő hosszoknál) mindkét stratégia jól teljesített, azonban a sorozat hosszának növekedésével a chain-of-thought minősége meredeken esett, míg a Least-to-Most fokozatosabb csökkenést mutatott, és megőrizte a magas pontosságot[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-pdf-1). Ez demonstrálja az LtM módszer azon képességét, hogy **általánosítja a megoldási logikát** összetettebb (hosszabb) bemeneti adatokra. - **Kompozicionális általánosítás** (compositional generalization). Ez a feladatkategória magában foglalja például szöveges utasítások cselekvéssorozatokra való lefordítását (mint a **SCAN** benchmarkban, amely olyan parancsok végrehajtását igényli, mint a \\jump twice and run\\, és ezeket hosszabb kombinációkra kell általánosítani)[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-medium-oxenai-4). Az LtM módszer lehetővé tette az LLM számára, hogy sikeresen megoldja az ilyen feladatok még legösszettebb változatait is. A GPT-3 modell LtM promptokkal **99%**-os pontosságot ért el a SCAN adatkészlet összes adatfelosztási változatán (beleértve a legnehezebb length split változatot, ahol a tesztelési sorozatok hosszabbak a tanítási sorozatoknál), mindössze 14 példát használva a promptban[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Összehasonlításképpen, a standard chain-of-thought megközelítés hasonló körülmények között csak mintegy **16%**-os pontosságot adott[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Ráadásul ezt **a modell tanítása nélkül** sikerült elérni, míg a SCAN korábbi legjobb megoldásai speciális neuro-szimbolikus architektúrákra vagy adataugmentációs módszerekre támaszkodtak, amelyek a teljes, \>15 000 példából álló tanítókészlet felhasználását igényelték[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Így a Least-to-Most Prompting **példátlan kompozicionális általánosítási képességet** mutatott a finomhangolás nélküli modellek körében. - **Matematikai szöveges feladatok**. A módszert szöveges aritmetikai feladatokon tesztelték, például a **GSM8K** adatkészletből (összetett szöveges összeadási/kivonási és logikai feladatok)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2), valamint a **DROP** készlet néhány kérdésén (amelyek a szövegből való numerikus információ kinyerési és számítási képességét ellenőrzik)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Ebben a kategóriában is a Least-to-Most Prompting **pontosságjavulást** mutatott a chain-of-thought megközelítéshez képest. Például a GSM8K esetén a code-davinci-002 modell alkalmazásakor a válaszok pontossága ~60,9%-ról ~62,4%-ra nőtt[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). A DROP részfeladatokon a nyereség még szembetűnőbb volt: például a „focival" kapcsolatos kérdések egy részénél a pontosság ~59,6%-ról (chain-of-thought) ~73,4%-ra emelkedett az LtM alkalmazásával[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Bár a matematikai feladatokon tapasztalt minőségjavulás kevésbé volt drámai, mint a SCAN esetén, a szerzők fontos szempontra hívják fel a figyelmet: szinte bármely GSM8K feladatot sikeresen meg lehet oldani, ha a modell helyes **problémadekompozíciót** kap[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Ez azt jelzi, hogy a sikeres megoldás kulcsa a jól megfogalmazott közbenső kérdések; az LtM megközelítés éppen ezek automatikus létrehozására és egymás utáni megoldására irányul. Összességében a kísérletek megerősítik, hogy a Least-to-Most Prompting **lényegesen felülmúlja** mind a következtetés nélküli naiv few-shot promptolást, mind a chain-of-thought módszert a többlépéses levezetést igénylő feladatok széles körében[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-pdf-1). A módszer lehetővé teszi az LLM számára, hogy olyan problémákat oldjon meg, amelyek összetettebbek azoknál, amelyekkel a modell eredetileg a példákon keresztül megismerkedett, kiterjesztve az **in-context learning** (promptokon keresztüli azonnali tanulás) határait. ## Korlátok és további irányok Sikerei ellenére a Least-to-Most Prompting módszernek számos **korlátja** van. Mindenekelőtt a különböző típusú feladatokhoz **különböző dekompozíciós megközelítések** szükségesek. Az a prompt-sablon, amely hatékonyan bont fel egy matematikai feladatot, teljesen alkalmatlan lehet egy logikai vagy hétköznapi józan ész feladatnál[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Például azok a promptok, amelyek megtanítják a modellt a szöveges matematikai feladatok lépésekre bontására, haszontalannak bizonyultak egy józan ész jellegű kérdésnél, mint például „Használt-e Arisztotelész laptopot?" — ilyen feladathoz teljesen eltérő bontási stratégia szükséges[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Ezért minden új szakterületre vagy problématípusnál **újra kell kialakítani** a feladat részfeladatokra bontásának példáit, és meg kell fogalmazni a megfelelő promptot, amely szemlélteti a megoldás struktúráját[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-aisafety-info-3). Más szóval, a feladat helyes dekompozíciójának ismerete maguk az LLM-ek által nem általánosítható univerzálisan; azt konkrét feladatosztályokhoz példákon keresztül kell megadni. Ezenfelül az LtM hatékonysága nagymértékben függ attól, hogy a feladat mennyire **alkalmas önálló részfeladatokra való bontásra**. Ha a modell nem tudja helyesen megfogalmazni a közbenső lépéseket, vagy ha bizonyos szükséges részfeladatok kimaradnak, a végső megoldás is helytelen lesz. Ugyanakkor maguk a fejlesztők megjegyzik, hogy sok esetben a kudarc sikerré alakítható, ha egy személy manuálisan megadja a helyes dekompozíciót — ekkor a modell könnyedén megoldja az egyes részeket, és sikeresen kombinálja a válaszokat[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). Ez rávilágít a megközelítés további fejlesztési lehetőségeire: a részfeladatok automatikus generálásának minőségjavítása, és esetleg a modellek interaktív tanítása. Záró megjegyzéseikben az LtM szerzői feltételezik, hogy a prompt módszerek jövője a modellel folytatott teljes értékű **kétirányú párbeszéd** felé mutathat, ahol a modell azonnali visszajelzést és közbenső lépéseinek korrekciójét kapja[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-2). A Least-to-Most Prompting módszer ebbe az irányba tett lépésként tekinthető, amely megmutatja, hogy a modellel való szekvenciális interakció — feladatbontáson és lépésenkénti megoldáson keresztül — lehetővé teszi **gondolkodási képességeinek jelentős bővítését új adatokon való tanítás nélkül**[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_note-arxiv-original-pdf-1). ## Hivatkozások - Az eredeti \\Least-to-Most Prompting Enables Complex Reasoning in Large Language Models\\ cikk az arXiv-on - Az eredeti cikk HTML változata - Mi az a Least-to-Most Prompting? — AI Safety Info cikk - A módszer áttekintése a Mediumon - A prompt engineering módszerek összefoglaló áttekintése az arXiv-on ## Irodalom - 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. ## Megjegyzések 1. ↑ [1.0](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original-pdf_1-0) [1.1](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original-pdf_1-1) [1.2](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original-pdf_1-2) [1.3](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original-pdf_1-3) [1.4](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original-pdf_1-4) [1.5](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original-pdf_1-5) [1.6](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#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_(HU)#cite_ref-arxiv-original_2-0) [2.01](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-1) [2.02](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-2) [2.03](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-3) [2.04](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-4) [2.05](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-5) [2.06](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-6) [2.07](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-7) [2.08](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-8) [2.09](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-9) [2.10](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-10) [2.11](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-11) [2.12](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-12) [2.13](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-13) [2.14](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-14) [2.15](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-15) [2.16](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-16) [2.17](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-17) [2.18](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-arxiv-original_2-18) [2.19](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#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_(HU)#cite_ref-aisafety-info_3-0) [3.1](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-aisafety-info_3-1) [3.2](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-aisafety-info_3-2) [3.3](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#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_(HU)#cite_ref-medium-oxenai_4-0) [4.1](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-medium-oxenai_4-1) [4.2](https://systems-analysis.info/int/Least-to-most_Prompting_(HU)#cite_ref-medium-oxenai_4-2) OXEN AI. «Arxiv Dives Toolformer: Language models can teach themselves to use tools». *Medium*. [4]