---
title: "Least-to-most Prompting (TH)"
source: "https://systems-analysis.info/int/Least-to-most_Prompting_(TH)"
wiki: "systems-analysis.info/int"
article: "Least-to-most_Prompting_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Thai"
revision_id: 3835
wiki_created_at: 2026-09-06T23:26:49Z
wiki_modified_at: 2026-09-06T23:26:49Z
downloaded_at: 2026-09-07T22:59:21Z
---

# Least-to-most Prompting (TH)

**Least-to-Most Prompting** (**LtM**) — วิธีการพัฒนา**พรอมต์**สำหรับโมเดลภาษาขนาดใหญ่ (**LLM**) ที่ช่วยให้สามารถแก้ปัญหาที่ซับซ้อนได้โดยการ**แยกย่อย**ปัญหาออกเป็นขั้นตอนย่อยที่ง่ายกว่า แล้วแก้ปัญหาย่อยเหล่านั้นตามลำดับ<sup>[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-pdf-1)</sup> แนวทางนี้ถูกเสนอขึ้นในปี 2022 โดยกลุ่มนักวิจัยจาก Google Brain ภายใต้การนำของ **Denny Zhou** และนำเสนอในการประชุม ICLR 2023<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> เป้าหมายหลักของวิธีการนี้คือการเอาชนะข้อจำกัดของพรอมต์แบบ Chain-of-Thought ซึ่งรับมือกับงานที่ซับซ้อนกว่าตัวอย่างที่แสดงให้โมเดลเห็นในช่วงการเรียนรู้จากพรอมต์ได้ไม่ดีนัก<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> Least-to-Most Prompting ช่วยให้โมเดลสามารถ**สรุปความรู้ไปยังงานที่มีความซับซ้อนสูงขึ้น**ได้ ในขณะที่ยังคงความสามารถในการตีความและไม่จำเป็นต้องฝึกอบรม Neural Network เพิ่มเติม<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> ชื่อของวิธีการนี้มาจากจิตวิทยาการสอน ซึ่ง «least to most prompting» หมายถึงการให้พรอมต์แก่ผู้เรียนเป็นชุดโดยมีระดับความช่วยเหลือเพิ่มขึ้นเรื่อยๆ เพื่อให้เชี่ยวชาญทักษะใหม่<sup>[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-aisafety-info-3)</sup>

## คำอธิบายวิธีการ

วิธีการ Least-to-Most Prompting ดำเนินการใน**สองขั้นตอน**<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> โดยแต่ละขั้นตอนถูกกำหนดให้กับโมเดลภาษาผ่านพรอมต์ที่ออกแบบอย่างพิถีพิถัน (โดยไม่ต้องทำการ fine-tuning โมเดลเพิ่มเติม):

1.  **การแยกย่อยงาน** ในขั้นตอนแรก โมเดลจะได้รับคำสั่งและตัวอย่างที่แสดงให้เห็นวิธีการแบ่งงานที่ซับซ้อนออกเป็นลำดับของงานย่อยที่ง่ายกว่า จากนั้นโมเดลจะถูกนำเสนอคำถามที่ซับซ้อนเฉพาะเจาะจง และต้องสร้างรายการ**คำถามกลางที่ง่ายกว่า**<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> ตัวอย่างเช่น สำหรับงานที่ซับซ้อน โมเดลอาจกำหนดคำถามย่อยที่ชัดเจนซึ่งตอบสนองต่อส่วนหนึ่งของปัญหาเดิมได้ด้วยตัวเอง
2.  **การแก้งานย่อยตามลำดับ** ในขั้นตอนที่สอง โมเดลจะแก้งานย่อยที่ได้รับ**ทีละงาน** — จากงานที่ง่ายที่สุดไปสู่งานที่ซับซ้อนที่สุด สำหรับสิ่งนี้ งานย่อยแต่ละงานจะมีบริบทนำหน้า ได้แก่ ตัวอย่างการแก้ปัญหาย่อยที่คล้ายกัน รวมถึงงานย่อยก่อนหน้าที่ได้รับการแก้ไขแล้ว (หากมี) พร้อมคำตอบของงานเหล่านั้น<sup>[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-medium-oxenai-4)</sup> เมื่อแก้งานย่อยแรกแล้ว โมเดลจะเพิ่มคำตอบลงในข้อความพรอมต์และรับงานย่อยถัดไป โดยใช้การแก้ปัญหาก่อนหน้าเป็นบริบท<sup>[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-medium-oxenai-4)</sup> กระบวนการนี้ดำเนินต่อไปจนกว่างานย่อยสุดท้ายที่ซับซ้อนที่สุด ซึ่งตอบคำถามเดิมโดยตรง จะได้รับการแก้ไข

ตัวอย่าง: ปัญหาข้อความต้นฉบับถูกแบ่งออกเป็นสองขั้นตอนโดยใช้วิธี Least-to-Most โมเดลจะกำหนดและแก้คำถามกลางก่อน («How long does each trip take?» — «แต่ละการเดินทางใช้เวลานานแค่ไหน?») โดยได้คำตอบว่า «each trip takes 5 minutes» («แต่ละการเดินทางใช้เวลา 5 นาที») คำตอบนี้จะถูกรวมไว้ในพรอมต์ใหม่พร้อมกับงานย่อยถัดไป ซึ่งก็คือคำถามต้นฉบับ («How many times can she slide before it closes?» — «เธอสามารถเล่นได้กี่ครั้งก่อนที่สถานที่จะปิด?») โดยใช้ผลลัพธ์ก่อนหน้า โมเดลจึงคำนวณคำตอบสุดท้าย (ในตัวอย่างนี้: 3 ครั้ง)

โดยหลักการแล้ว Least-to-Most Prompting แตกต่างจากแนวทาง chain-of-thought มาตรฐานตรงที่มันแบ่งกระบวนการให้เหตุผลออกเป็นคำขอแยกต่างหากพร้อมการสะสมความรู้ แทนที่จะสร้าง «ห่วงโซ่ความคิด» ต่อเนื่องเพียงอันเดียวภายในการตอบสนองครั้งเดียว<sup>[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-aisafety-info-3)</sup> **แนวทางเป็นขั้นตอนและเรียกซ้ำ**นี้ช่วยให้โมเดลค่อยๆ ก้าวไปสู่แง่มุมที่ซับซ้อนมากขึ้นของงาน โดยขจัดปัญหา**easy-to-hard generalization** (เมื่อโมเดลเผชิญกับงานที่ซับซ้อนกว่าตัวอย่างในการฝึก) ได้อย่างมีประสิทธิภาพ<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-aisafety-info-3)</sup> โปรดทราบว่าทั้งสองขั้นตอนของวิธี LtM ถูกดำเนินการผ่าน few-shot prompting (การสาธิตตัวอย่างบางส่วน) และไม่จำเป็นต้องมีการฝึกอบรมโมเดลเพิ่มเติมหรือการ fine-tuning บนข้อมูลใหม่<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> นอกจากนี้ วิธีการนี้ยังเข้ากันได้กับเทคนิคอื่นๆ ในการปรับปรุงการให้เหตุผลของ LLM ตัวอย่างเช่น สามารถรวมกับ chain-of-thought และ self-consistency (การสุ่มตัวอย่างวิธีแก้ปัญหาหลายรายการตามลำดับ) ในการสร้างคำตอบได้ แม้ว่าสิ่งนี้จะไม่จำเป็นก็ตาม<sup>[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-pdf-1)</sup>

## ผลการทดลองและการประยุกต์ใช้

ในงานวิจัยที่เสนอ Least-to-Most Prompting ได้แสดงให้เห็นว่าวิธีการนี้**เหนือกว่าวิธีพรอมต์มาตรฐาน** (รวมถึง chain-of-thought) ในงานหลายประเภทที่ต้องการการให้เหตุผลแบบหลายขั้นตอนที่ซับซ้อน<sup>[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-pdf-1)</sup> และแสดงให้เห็นถึงข้อดีของตนในสามประเภทงานหลัก:

- **งานสัญลักษณ์และอัลกอริทึม** ตัวอย่างเช่น ในงาน**การเชื่อมตัวอักษรสุดท้ายของคำ** (การนำตัวอักษรสุดท้ายของแต่ละคำในรายการตามลำดับมาสร้างเป็นคำใหม่) วิธี LtM ช่วยเพิ่มความสามารถของโมเดลในการสรุปความรู้ไปยังลำดับคำที่ยาวขึ้นได้อย่างมีนัยสำคัญ โดยไม่มีการฝึกพิเศษ โมเดล GPT-3 (code-davinci-002) ที่ใช้พรอมต์ chain-of-thought แก้ปัญหาดังกล่าวได้ถูกต้องเพียงประมาณ **32%** เมื่อรายการคำมีความยาว 12 คำ ในขณะที่การใช้ Least-to-Most Prompting ทำให้ความแม่นยำสูงถึง **~74%**<sup>[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-pdf-1)</sup> สำหรับรายการสั้น (ความยาวที่พบในตัวอย่าง) ทั้งสองกลยุทธ์ทำงานได้ดี อย่างไรก็ตาม เมื่อความยาวลำดับเพิ่มขึ้น คุณภาพของ chain-of-thought ลดลงอย่างรวดเร็ว ในขณะที่ Least-to-Most ให้การลดลงที่ราบรื่นกว่าและรักษาความแม่นยำสูงไว้ได้<sup>[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-pdf-1)</sup> สิ่งนี้แสดงให้เห็นถึงความสามารถของวิธี LtM ใน**การสรุปตรรกะการแก้ปัญหา**ไปยังข้อมูลที่ซับซ้อน (ยาว) กว่า
- **การสรุปเชิงองค์ประกอบ** (compositional generalization) ประเภทงานนี้รวมถึงตัวอย่างเช่น การแปลคำสั่งข้อความเป็นลำดับการกระทำ (เช่นเดียวกับใน benchmark **SCAN** ที่ต้องการการดำเนินการตามคำสั่งเช่น «jump twice and run» และสรุปความรู้ไปยังชุดค่าผสมที่ยาวขึ้น)<sup>[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-medium-oxenai-4)</sup> วิธี LtM ช่วยให้ LLM แก้ปัญหาในรูปแบบที่ซับซ้อนที่สุดของงานดังกล่าวได้สำเร็จ โดยเฉพาะอย่างยิ่ง โมเดล GPT-3 ที่มีพรอมต์ LtM บรรลุความแม่นยำ **99%** ในการแบ่งข้อมูลทุกรูปแบบในชุดข้อมูล SCAN (รวมถึง length split ที่ยากที่สุด ซึ่งลำดับทดสอบยาวกว่าลำดับฝึก) โดยใช้เพียง 14 ตัวอย่างในพรอมต์<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> เพื่อเปรียบเทียบ แนวทาง chain-of-thought มาตรฐานให้ความแม่นยำเพียงประมาณ **16%** ในสภาวะที่คล้ายกัน<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> นอกจากนี้ สิ่งนี้ทำได้สำเร็จ**โดยไม่ต้องฝึกโมเดล**บนข้อมูลฝึก ในขณะที่วิธีแก้ปัญหาที่ดีที่สุดก่อนหน้านี้สำหรับ SCAN อาศัยสถาปัตยกรรม neuro-symbolic พิเศษหรือวิธีการขยายข้อมูลที่ต้องใช้ชุดฝึกทั้งหมดกว่า 15,000 ตัวอย่าง<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> ดังนั้น Least-to-Most Prompting จึงแสดงให้เห็น**ความสามารถในการสรุปเชิงองค์ประกอบที่ไม่เคยมีมาก่อน**สำหรับโมเดลที่ไม่ผ่านการ fine-tuning
- **โจทย์คณิตศาสตร์เชิงข้อความ** วิธีการนี้ถูกทดสอบกับโจทย์คณิตศาสตร์เชิงข้อความ เช่น จาก dataset **GSM8K** (โจทย์เชิงข้อความที่ซับซ้อนเกี่ยวกับการบวก/ลบและตรรกะ)<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> รวมถึงคำถามบางส่วนจากชุดข้อมูล **DROP** (ที่ทดสอบความสามารถในการดึงและนับข้อมูลตัวเลขในข้อความ)<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> ในที่นี้ด้วย Least-to-Most Prompting แสดงให้เห็น**การปรับปรุงความแม่นยำ**เมื่อเปรียบเทียบกับ chain-of-thought ตัวอย่างเช่น สำหรับ GSM8K เมื่อใช้โมเดล code-davinci-002 ความแม่นยำของคำตอบเพิ่มขึ้นจาก ~60.9% เป็น ~62.4%<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> ในงานย่อยของ DROP ผลกำไรนั้นเด่นชัดกว่า: ตัวอย่างเช่น ในคำถามบางส่วนเกี่ยวกับข้อเท็จจริง «ฟุตบอล» ความแม่นยำเพิ่มขึ้นจาก ~59.6% (chain-of-thought) เป็น ~73.4% เมื่อใช้ LtM<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> แม้ว่าการเพิ่มคุณภาพในโจทย์คณิตศาสตร์จะน้อยกว่าใน SCAN แต่ผู้เขียนตั้งข้อสังเกตสำคัญว่า งาน GSM8K เกือบทุกงานสามารถแก้ได้อย่างถูกต้องหากโมเดลได้รับ**การแยกย่อยปัญหา**ที่ถูกต้อง<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> สิ่งนี้แสดงให้เห็นว่าปัจจัยสำคัญของความสำเร็จคือคำถามกลางที่กำหนดไว้อย่างดี และแนวทาง LtM มุ่งเน้นไปที่การสร้างคำถามดังกล่าวโดยอัตโนมัติและการแก้ปัญหาตามลำดับ

โดยสรุป การทดลองยืนยันว่า Least-to-Most Prompting **เหนือกว่าอย่างมีนัยสำคัญ**ทั้ง few-shot prompting แบบไร้เดียงสาที่ไม่มีการให้เหตุผล และวิธี chain-of-thought ในงานหลายประเภทที่ต้องการการอนุมานแบบหลายขั้นตอน<sup>[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-pdf-1)</sup> วิธีการนี้ช่วยให้ LLM แก้ปัญหาที่ซับซ้อนกว่าปัญหาที่โมเดลเคยได้รับการแนะนำผ่านตัวอย่างในตอนแรก ขยายขอบเขตของ**in-context learning** (การเรียนรู้ทันทีผ่านพรอมต์)

## ข้อจำกัดและทิศทางในอนาคต

แม้จะประสบความสำเร็จ วิธี Least-to-Most Prompting มี**ข้อจำกัด**หลายประการ ประการแรก งานประเภทต่างๆ ต้องการ**แนวทางการแยกย่อยที่แตกต่างกัน** เทมเพลตพรอมต์ที่แยกย่อยโจทย์คณิตศาสตร์ได้อย่างมีประสิทธิภาพอาจไม่เหมาะสมเลยสำหรับงานตรรกะหรืองานสามัญสำนึกทั่วไป<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> ตัวอย่างเช่น พรอมต์ที่สอนให้โมเดลแบ่งโจทย์คณิตศาสตร์เชิงข้อความออกเป็นขั้นตอน กลับไม่มีประโยชน์สำหรับคำถามสามัญสำนึกเช่น «อริสโตเติลใช้โน้ตบุ๊กหรือไม่?» — งานดังกล่าวต้องการกลยุทธ์การแบ่งที่แตกต่างออกไปโดยสิ้นเชิง<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> ดังนั้น สำหรับโดเมนหรือประเภทปัญหาใหม่ทุกประเภท จำเป็นต้อง**เลือกตัวอย่างการแยกย่อยงานใหม่**และสร้างพรอมต์ที่สอดคล้องกันซึ่งแสดงให้เห็นโครงสร้างของการแก้ปัญหา<sup>[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-aisafety-info-3)</sup> กล่าวอีกนัยหนึ่ง ความรู้เกี่ยวกับวิธีการแยกย่อยงานอย่างถูกต้องนั้นไม่ได้รับการสรุปโดย LLM อย่างสากล แต่จำเป็นต้องระบุผ่านตัวอย่างสำหรับประเภทงานเฉพาะ

ยิ่งกว่านั้น ประสิทธิภาพของ LtM ขึ้นอยู่กับ**ความเหมาะสมในการแยกย่อยงาน**ออกเป็นเป้าหมายย่อยที่เป็นอิสระเป็นอย่างมาก หากโมเดลไม่สามารถกำหนดขั้นตอนกลางได้อย่างถูกต้อง หรือหากงานย่อยที่จำเป็นบางอย่างถูกข้ามไป การแก้ปัญหาขั้นสุดท้ายก็จะผิดพลาดด้วย อย่างไรก็ตาม นักพัฒนาเองสังเกตว่าในหลายกรณี ความล้มเหลวสามารถเปลี่ยนเป็นความสำเร็จได้หากมนุษย์แนะนำการแยกย่อยที่ถูกต้องด้วยตนเอง — จากนั้นโมเดลก็จะแก้แต่ละส่วนได้อย่างง่ายดายและรวมคำตอบได้สำเร็จ<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> สิ่งนี้เน้นย้ำถึงศักยภาพของการพัฒนาแนวทางต่อไป ได้แก่ การปรับปรุงคุณภาพของการสร้างงานย่อยอัตโนมัติ และอาจรวมถึงการฝึกโมเดลแบบโต้ตอบด้วย ในส่วนสรุป ผู้เขียน LtM แนะว่าอนาคตของวิธีพรอมต์อาจอยู่ในทิศทางของ**การสนทนาสองทางอย่างเต็มรูปแบบ**กับโมเดล ซึ่งโมเดลจะได้รับข้อเสนอแนะทันทีและการแก้ไขขั้นตอนกลางของตน<sup>[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-2)</sup> วิธี Least-to-Most Prompting สามารถมองได้ว่าเป็นก้าวในทิศทางนี้ โดยแสดงให้เห็นว่าการโต้ตอบแบบต่อเนื่องกับโมเดลผ่านการแยกย่อยและการแก้ปัญหาเป็นขั้นตอน ช่วยให้สามารถ**ขยายความสามารถในการคิดของโมเดลได้อย่างมีนัยสำคัญโดยไม่ต้องฝึกอบรม**บนข้อมูลใหม่<sup>[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_note-arxiv-original-pdf-1)</sup>

## ลิงก์

- บทความต้นฉบับ «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models» บน arXiv
- เวอร์ชัน HTML ของบทความต้นฉบับ
- Least-to-Most Prompting คืออะไร? — บทความจาก AI Safety Info
- ภาพรวมของวิธีการบน Medium
- ภาพรวมรวบรวมวิธีการ prompt engineering บน arXiv

## เอกสารอ้างอิง

- 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.

## หมายเหตุ

1.  <span id="cite_note-arxiv-original-pdf-1">↑ <sup>[1.0](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original-pdf_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original-pdf_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original-pdf_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original-pdf_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original-pdf_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original-pdf_1-5)</sup> <sup>[1.6](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original-pdf_1-6)</sup> Zhou, Denny et al. «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models». *ar5iv.org*. <a href="https://ar5iv.org/pdf/2205.10625" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-arxiv-original-2">↑ <sup>[2.00](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-0)</sup> <sup>[2.01](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-1)</sup> <sup>[2.02](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-2)</sup> <sup>[2.03](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-3)</sup> <sup>[2.04](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-4)</sup> <sup>[2.05](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-5)</sup> <sup>[2.06](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-6)</sup> <sup>[2.07](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-7)</sup> <sup>[2.08](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-8)</sup> <sup>[2.09](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-9)</sup> <sup>[2.10](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-10)</sup> <sup>[2.11](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-11)</sup> <sup>[2.12](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-12)</sup> <sup>[2.13](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-13)</sup> <sup>[2.14](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-14)</sup> <sup>[2.15](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-15)</sup> <sup>[2.16](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-16)</sup> <sup>[2.17](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-17)</sup> <sup>[2.18](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-18)</sup> <sup>[2.19](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-arxiv-original_2-19)</sup> Zhou, Denny et al. «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models». *arXiv*. <a href="https://arxiv.org/abs/2205.10625" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-aisafety-info-3">↑ <sup>[3.0](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-aisafety-info_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-aisafety-info_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-aisafety-info_3-2)</sup> <sup>[3.3](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-aisafety-info_3-3)</sup> «What is least-to-most prompting?». *AI Safety Info*. <a href="https://aisafety.info/questions/9QKC/What-is-least-to-most-prompting" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-medium-oxenai-4">↑ <sup>[4.0](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-medium-oxenai_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-medium-oxenai_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Least-to-most_Prompting_(TH)#cite_ref-medium-oxenai_4-2)</sup> OXEN AI. «Arxiv Dives Toolformer: Language models can teach themselves to use tools». *Medium*. <a href="https://medium.com/@oxenai/arxiv-dives-toolformer-language-models-can-teach-themselves-to-use-tools-b50c9312c2a9" class="external autonumber" rel="nofollow">[4]</a></span>