Studio Scopre che un Ragionamento Più Breve Può Mantenere l'Accuratezza nei LLM

Una recente indagine pubblicata su arXiv (2608.03401) esamina l'impatto della riduzione della durata del ragionamento nei modelli linguistici di grandi dimensioni (LLM) sulla loro accuratezza. I ricercatori hanno condotto test accoppiati sulle stesse domande a intervalli di ragionamento equivalenti, utilizzando 198 query GPQA Diamond e 500 query MMLU-Pro. Hanno implementato un prompt numerico/conciso che imposta un limite di token per Qwen3-14B e le configurazioni addestrate di gpt-oss-20b e -120b. Il prompt Qwen ha portato a una riduzione del 12-17% delle tracce di ragionamento, con variazioni di accuratezza minime e miste agli stessi limiti di token. In particolare, un'istruzione concisa/risposta anticipata ha migliorato l'accuratezza MMLU-Pro di 3,8 punti percentuali a 512 token. Lo studio indica che un ragionamento più breve può migliorare l'accuratezza, sfidando la nozione che un ragionamento più lungo sia sempre superiore.