In this paper, we introduce Concise Chain-of-Thought (CCoT) prompting. We
compared standard CoT and CCoT prompts to see how conciseness impacts response
length and correct-answer accuracy. We evaluated this using GPT-3.5 and GPT-4
with a multiple-choice question-and-answer (MCQA) benchmark. CCoT reduced
average response length by 48.70% for both GPT-3.5 and GPT-4 while having a
negligible impact on problem-solving performance. However, on math problems,
GPT-3.5 with CCoT incurs a performance penalty of 27.69%. Overall, CCoT leads
to an average per-token cost reduction of 22.67%. These results have practical
implications for AI systems engineers using LLMs to solve real-world problems
with CoT prompt-engineering techniques. In addition, these results provide more
general insight for AI researchers studying the emergent behavior of
step-by-step reasoning in LLMs.

通过比较标准 CoT 和 CCoT 提示，我们介绍了简洁的思路链 (CCot) 提示，并评估了它对回答长度和正确答案准确性的影响。我们使用 GPT-3.5 和 GPT-4 在多项选择问答 (MCQA) 基准上进行了评估。CCoT 使得 GPT-3.5 和 GPT-4 的回答平均长度减少了 48.70%，对问题解决性能影响微乎其微。然而，在数学问题上，使用 CCoT 的 GPT-3.5 表现出了 27.69% 的性能惩罚。总体而言，CCoT 将每个标记的成本平均降低了 22.67%。这些结果对于使用 LLM 解决带有 CoT 提示工程技术的现实世界问题的 AI 系统工程师具有实际意义。此外，这些结果为研究 LLM 中逐步推理的新兴行为的 AI 研究人员提供了更普遍的见解。