推理token减少80%-90%，准确率变化不大，某些任务还能增加。
Zoom团队提出思维链替代品“草稿链”，显著降低延迟和算力成本。
原理很简单，要求模型为每个推理步骤生成简洁、信息密集的token。
这一思路受到人类解题过程启发，人类通常不会详细阐述每一个细节，只是简单几下关键的中间结果，作为草稿来辅助思考。
此外，草稿链方法简单且易于实现，不需要修改模型、微调或强化学习，只需更新提示词中的示例即可，相关代码和数据已在GitHub上开源。
研究团队认为，与另一种降低延迟和计算成本的方法“在连续潜空间推理”相比，草稿链保留了可解释性，且可以应用于闭源的黑盒模型。
第三方分析测算，对于每个月处理100万个推理请求的企业， 可以将成本从思维链的3800美元降低到760美元，每月节省超过3000美元。
实验验证：准确率不降，成本大幅降低
实验遵循原始思维链论文，评估3类任务：算术推理、常识推理和符号推理。
算数推理任务选择GSM8k数据集，从准确率看，标准提示下GPT-4o和Claude 3.5 Sonnet的准确率分别仅53.3%和64.6%，思维链使两者均超95%，草稿链也达到91%左右。
在token使用上，思维链生成约200个token/响应，草稿链仅约40个，减少约80%。
延迟方面，草稿链使GPT-4o和Claude 3.5 Sonnet的平均延迟分别降低76.2%和48.4%。
常识推理选择BIG-bench 的日期理解和运动理解任务也取得了相似的结果，特别值得注意的是Claude 3.5 Sonnet在草稿链下准确率还有所上升。
符号推理选择抛硬币任务，由于原数据集未公开，作者合成了250个示例的测试集。
草稿链在保持100%准确率的情况下大幅减少了推理token和延迟。
但草稿链方法也有一定的局限性：在零样本设置下有效性会显著下降。
此外，在参数量小于30亿的小模型上，虽然草稿链仍能有效减少每个回答所需的token数并提高准确率，但与思维链相比，性能差距更大。
研究团队推测，可能是由于训练数据中缺乏草稿链风格的推理模式，在不提供few-shot样本指导的情况下，很难生成简洁而有帮助的”草稿”。
