--- title: "Least-to-most Prompting (PT)" source: "https://systems-analysis.info/int/Least-to-most_Prompting_(PT)" wiki: "systems-analysis.info/int" article: "Least-to-most_Prompting_(PT)" language: "pt" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Portuguese" - "Category:Prompt engineering" revision_id: 3832 wiki_created_at: 2026-09-06T23:26:46Z wiki_modified_at: 2026-09-06T23:26:46Z downloaded_at: 2026-09-07T22:59:20Z --- # Least-to-most Prompting (PT) **Least-to-Most Prompting** (**LtM**) é um método de desenvolvimento de **prompts** para grandes modelos de linguagem (**LLMs**), que permite resolver tarefas complexas por meio de sua **decomposição** em etapas mais simples, com a subsequente resolução sequencial dessas subtarefas^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-pdf-1)}. Essa abordagem foi proposta em 2022 por um grupo de pesquisadores do Google Brain liderado por **Denny Zhou** e apresentada na conferência ICLR 2023^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. O objetivo principal do método é superar a limitação dos prompts Chain-of-Thought, que têm dificuldade em lidar com tarefas mais complexas do que os exemplos apresentados ao modelo durante o treinamento com prompts^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. O Least-to-Most Prompting permite que o modelo **generalize para tarefas de maior complexidade**, mantendo-se interpretável e sem exigir treinamento adicional da rede neural^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. O nome do método é emprestado da psicologia pedagógica, onde "least to most prompting" se refere a fornecer a um aluno uma série de dicas com níveis crescentes de ajuda para dominar uma nova habilidade^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-aisafety-info-3)}. ## Descrição do método O método Least-to-Most Prompting é implementado em **duas etapas**^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}, cada uma das quais é definida para o próprio modelo de linguagem por meio de prompts cuidadosamente elaborados (sem treinamento adicional do modelo): 1. **Decomposição da tarefa**. Na primeira etapa, o modelo recebe uma instrução e exemplos que demonstram como dividir uma tarefa complexa em uma sequência de subtarefas mais simples. Em seguida, uma questão complexa específica é apresentada ao modelo, e ele deve gerar uma lista de **questões intermediárias** simplificadas^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Por exemplo, para uma tarefa complexa, o modelo pode formular de forma autônoma uma sub-pergunta de esclarecimento que aborda parte do problema original. 2. **Resolução sequencial das subtarefas**. Na segunda etapa, o modelo resolve as subtarefas obtidas **em ordem** — da mais simples para a mais complexa. Para isso, cada subtarefa é precedida por um contexto: exemplos de soluções para sub-problemas semelhantes e também (se disponíveis) as subtarefas anteriores já resolvidas, juntamente com suas respostas^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-medium-oxenai-4)}. Após resolver a primeira subtarefa, o modelo adiciona sua resposta ao texto do prompt e recebe a próxima subtarefa, usando as soluções anteriores como contexto^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-medium-oxenai-4)}. Isso continua até que a subtarefa final e mais complexa, que responde diretamente à pergunta original, seja resolvida. Exemplo: um problema de texto original é dividido em duas etapas usando o método Least-to-Most. Primeiro, o modelo formula e resolve uma questão intermediária ("How long does each trip take?" — "Quanto tempo dura cada viagem?"), obtendo a resposta "each trip takes 5 minutes" ("cada viagem leva 5 minutos"). Essa resposta é incluída em um novo prompt junto com a próxima subtarefa – a pergunta original ("How many times can she slide before it closes?" – "Quantas vezes ela conseguirá descer antes que a atração feche?"). Usando o resultado anterior, o modelo calcula a resposta final (neste exemplo: 3 vezes). Fundamentalmente, o Least-to-Most Prompting difere da abordagem padrão de chain-of-thought por dividir o processo de raciocínio em consultas separadas com acúmulo de conhecimento, em vez de gerar uma única "cadeia de pensamento" contínua em uma única resposta^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-aisafety-info-3)}. Essa **abordagem gradual e recursiva** permite que o modelo avance progressivamente para aspectos cada vez mais complexos da tarefa, eliminando efetivamente o problema da **generalização do fácil para o difícil** (quando o modelo enfrenta uma tarefa mais difícil do que as presentes nos exemplos de treinamento)^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-aisafety-info-3)}. É importante notar que ambas as etapas do método LtM são implementadas por meio de few-shot prompting (demonstração de alguns exemplos) e não exigem treinamento adicional do modelo ou seu ajuste fino com novos dados^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Além disso, o método é compatível com outras técnicas para melhorar o raciocínio de LLMs; por exemplo, pode ser combinado com chain-of-thought e self-consistency (amostragem sequencial de múltiplas soluções) ao gerar uma resposta, embora isso não seja necessário^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-pdf-1)}. ## Resultados experimentais e aplicações No trabalho que propôs o Least-to-Most Prompting, foi demonstrado que este método **supera os métodos de prompting padrão** (incluindo o chain-of-thought) em uma série de tarefas que exigem raciocínio complexo de múltiplos passos^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-pdf-1)}. Ele demonstrou com sucesso suas vantagens em três categorias principais de tarefas: - **Tarefas simbólicas e algorítmicas**. Por exemplo, na tarefa de **concatenação das últimas letras de palavras** (pegar sequencialmente a última letra de cada palavra em uma lista e formar uma nova palavra com elas), o método LtM aumentou significativamente a capacidade do modelo de generalizar para sequências mais longas de palavras. Sem treinamento especial, o modelo GPT-3 (code-davinci-002) com prompts chain-of-thought resolveu corretamente essas tarefas em apenas cerca de **32%** dos casos quando a lista de palavras tinha 12 itens, enquanto com o uso do Least-to-Most Prompting, a precisão atingiu **~74%**^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-pdf-1)}. Com listas curtas (de comprimentos encontrados nos exemplos), ambas as estratégias tiveram um bom desempenho, mas com o aumento do comprimento da sequência, a qualidade do chain-of-thought caiu drasticamente, enquanto o Least-to-Most proporcionou uma queda mais suave e manteve uma alta precisão^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-pdf-1)}. Isso demonstra a capacidade do método LtM de **generalizar a lógica da solução** para dados de entrada mais complexos (mais longos). - **Generalização composicional** (compositional generalization). Esta categoria de tarefas inclui, por exemplo, a tradução de instruções textuais em uma sequência de ações (como no benchmark **SCAN**, que exige a execução de comandos como "jump twice and run" e a generalização para combinações mais longas)^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-medium-oxenai-4)}. O método LtM permitiu que os LLMs resolvessem com sucesso até mesmo as variantes mais difíceis de tais tarefas. Especificamente, o modelo GPT-3 com prompts LtM alcançou **99%** de precisão em todas as variantes de divisão de dados no conjunto SCAN (incluindo a mais difícil, a divisão por comprimento, onde as sequências de teste são mais longas que as de treinamento), usando apenas 14 exemplos no prompt^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Em comparação, a abordagem padrão de chain-of-thought obteve apenas cerca de **16%** de precisão em condições semelhantes^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Além disso, isso foi alcançado **sem treinar o modelo** nos dados de treinamento, enquanto as melhores soluções anteriores para o SCAN dependiam de arquiteturas neuro-simbólicas especiais ou métodos de aumento de dados, que exigiam o uso de todo o conjunto de treinamento de mais de 15.000 exemplos^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Assim, o Least-to-Most Prompting demonstrou uma **capacidade sem precedentes** para modelos sem ajuste fino **em generalização composicional**. - **Problemas matemáticos de texto**. O método foi testado em problemas de aritmética em texto, por exemplo, do conjunto de dados **GSM8K** (problemas de texto complexos de adição/subtração e lógica)^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}, bem como em uma série de questões do conjunto **DROP** (que testam a capacidade de extrair e contar informações numéricas em texto)^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Aqui também, o Least-to-Most Prompting mostrou uma **melhora na precisão** em comparação com o chain-of-thought. Para o GSM8K, usando o modelo code-davinci-002, a precisão das respostas aumentou de ~60.9% para ~62.4%^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Nas subtarefas do DROP, o ganho foi ainda mais notável: por exemplo, em uma parte das questões sobre fatos de "futebol", a precisão subiu de ~59.6% (chain-of-thought) para ~73.4% com a aplicação do LtM^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Embora o aumento de qualidade em tarefas matemáticas tenha sido menos dramático do que no SCAN, os autores observam um ponto importante: quase qualquer problema do GSM8K pode ser resolvido corretamente se o modelo receber a **decomposição correta do problema**^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Isso indica que a chave para uma solução bem-sucedida são as questões intermediárias bem formuladas; a abordagem LtM visa justamente a criação automática de tais questões e sua resolução sequencial. Em suma, os experimentos confirmam que o Least-to-Most Prompting **supera significativamente** tanto o prompting few-shot ingênuo sem raciocínio quanto o método chain-of-thought em muitos tipos de tarefas que exigem inferência de múltiplos passos^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-pdf-1)}. O método permite que os LLMs resolvam problemas mais complexos do que aqueles com os quais o modelo foi inicialmente familiarizado por meio de exemplos, expandindo as fronteiras do **in-context learning** (aprendizado em tempo real por meio de prompts). ## Limitações e direções futuras Apesar dos sucessos, o método Least-to-Most Prompting tem algumas **limitações**. Primeiramente, diferentes tipos de tarefas exigem **diferentes abordagens de decomposição**. Um modelo de prompt que divide eficientemente um problema matemático pode ser completamente inadequado para um problema de lógica ou de senso comum^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Por exemplo, os prompts que ensinaram o modelo a dividir problemas de matemática em texto em etapas foram inúteis para uma questão de senso comum como "Aristóteles usou um laptop?" — para tal tarefa, uma estratégia de decomposição completamente diferente é necessária^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Portanto, para cada novo domínio ou tipo de problema, é preciso **selecionar novamente os exemplos** de decomposição da tarefa e formar um prompt correspondente que ilustre a estrutura da solução^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-aisafety-info-3)}. Em outras palavras, o conhecimento de como decompor corretamente uma tarefa não é generalizado universalmente pelo próprio LLM; ele precisa ser fornecido por meio de exemplos para uma classe específica de tarefas. Além disso, a eficácia do LtM depende significativamente de quão **bem a tarefa se presta à decomposição** em sub-objetivos independentes. Se o modelo não conseguir formular corretamente os passos intermediários ou se alguma subtarefa necessária for omitida, a solução final também estará incorreta. No entanto, os próprios desenvolvedores observam que, em muitos casos, um fracasso pode ser transformado em sucesso se uma pessoa fornecer manualmente a decomposição correta — nesse caso, o modelo resolve cada parte sem dificuldade e combina as respostas com sucesso^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. Isso destaca o potencial para o desenvolvimento futuro da abordagem: melhorar a qualidade da geração automática de subtarefas e, possivelmente, o aprendizado interativo dos modelos. Em conclusão, os autores do LtM sugerem que o futuro dos métodos de prompting pode estar na direção de um **diálogo bidirecional** completo com o modelo, onde ele recebe feedback instantâneo e correção de seus passos intermediários^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-2)}. O método Least-to-Most Prompting pode ser visto como um passo nessa direção, mostrando que a interação sequencial com o modelo por meio da decomposição e da resolução gradual de tarefas permite **expandir significativamente suas capacidades de raciocínio sem treinamento** em novos dados^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_note-arxiv-original-pdf-1)}. ## Ligações externas - Artigo original "Least-to-Most Prompting Enables Complex Reasoning in Large Language Models" no arXiv - Versão em HTML do artigo original - O que é Least-to-Most Prompting? — artigo do AI Safety Info - Visão geral do método no Medium - Revisão geral dos métodos de engenharia de prompt no arXiv ## Literatura - 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. ## Notas 1. ↑ ^{[1.0](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original-pdf_1-0)} ^{[1.1](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original-pdf_1-1)} ^{[1.2](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original-pdf_1-2)} ^{[1.3](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original-pdf_1-3)} ^{[1.4](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original-pdf_1-4)} ^{[1.5](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original-pdf_1-5)} ^{[1.6](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#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_(PT)#cite_ref-arxiv-original_2-0)} ^{[2.01](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-1)} ^{[2.02](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-2)} ^{[2.03](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-3)} ^{[2.04](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-4)} ^{[2.05](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-5)} ^{[2.06](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-6)} ^{[2.07](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-7)} ^{[2.08](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-8)} ^{[2.09](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-9)} ^{[2.10](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-10)} ^{[2.11](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-11)} ^{[2.12](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-12)} ^{[2.13](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-13)} ^{[2.14](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-14)} ^{[2.15](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-15)} ^{[2.16](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-16)} ^{[2.17](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-17)} ^{[2.18](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-arxiv-original_2-18)} ^{[2.19](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#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_(PT)#cite_ref-aisafety-info_3-0)} ^{[3.1](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-aisafety-info_3-1)} ^{[3.2](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-aisafety-info_3-2)} ^{[3.3](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#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_(PT)#cite_ref-medium-oxenai_4-0)} ^{[4.1](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-medium-oxenai_4-1)} ^{[4.2](https://systems-analysis.info/int/Least-to-most_Prompting_(PT)#cite_ref-medium-oxenai_4-2)} OXEN AI. «Arxiv Dives Toolformer: Language models can teach themselves to use tools». *Medium*. [4]