AI・機械学習
初級
Zero-Shot Chain-of-Thought（ゼロショットチェーンオブソート）
例示なしで「ステップごとに考えましょう（Let's think step by step）」等のトリガーフレーズを追記するだけでCoT推論を誘発する手法。Kojima et al.（2022）提唱で、タスク固有の例示なしに広汎に適用できる。
0 回閲覧
0 いいね
2026/6/6 更新
関連タグ
zero-shot
chain-of-thought
prompting
llm
no-examples
Zero-Shot Chain-of-Thought（Zero-Shot CoT）とは
Zero-Shot CoTは2022年にNTTの小島武仁（Takeshi Kojima）らが発表した論文「Large Language Models are Zero-Shot Reasoners」で提唱された手法。プロンプト末尾に「Let's think step by step.」を追記するだけでLLMの推論精度が大幅に向上する（日本発の技術）。
最もシンプルな使用例
# Zero-Shot CoTプロンプト（1行追加するだけ）
prompt_zero_shot_cot = """
Q: 店で150円のりんごを3個と80円のバナナを2個買いました。合計はいくらですか？
A: ステップごとに考えましょう。
"""
# モデルは自動的に中間ステップを展開:
# → りんご: 150×3=450円
# → バナナ: 80×2=160円
# → 合計: 450+160=610円
有効なトリガーフレーズ一覧
| フレーズ | 言語 | 効果 |
|---|---|---|
Let's think step by step. | 英語 | 最も強力（原論文推奨） |
ステップごとに考えましょう。 | 日本語 | GPT-4/Claude 3以降で同等効果 |
まず状況を整理してから答えます。 | 日本語 | 読解・推論問題に有効 |
Let's work through this carefully. | 英語 | 数値計算に特に有効 |
まず問題を分解します： | 日本語 | コーディング問題向け |
Few-shot CoTとの比較
| 比較項目 | Few-shot CoT | Zero-Shot CoT |
|---|---|---|
| 例示の要否 | 必要（タスク固有） | 不要 |
| 実装コスト | 例を書く手間がかかる | 一文追加のみ |
| 精度 | 同等または高い | ほぼ同等（モデルが大きいほど） |
| 汎用性 | タスク依存 | タスク非依存 |
論文のベンチマーク結果（GPT-3での比較）
| ベンチマーク | 標準Zero-Shot | Zero-Shot CoT | 改善 |
|---|---|---|---|
| MultiArith | 17.7% | 78.7% | +61pt |
| GSM8K | 10.4% | 40.7% | +30pt |
| AddSub | 22.7% | 63.6% | +41pt |
| AQuA | 22.4% | 33.5% | +11pt |
2段階プロンプティングパターン
【Stage 1: 推論生成】
プロンプト: {問題} + "Let's think step by step."
→ モデルが推論ステップを出力
【Stage 2: 答え抽出】
プロンプト: {問題} + {推論結果} + "Therefore, the answer is:"
→ 最終答えのみを出力させる
よくある質問（FAQ）
Q1: どのモデルでZero-Shot CoTが最も効果的ですか？ A: GPT-4, Claude 3.5 Sonnet, Gemini 1.5 Pro等の100B相当以上のモデルで特に効果的。Llama 3.1-8BやQwen2.5-7Bでも有効だが効果は限定的。
Q2: 日本語タスクでも「Let's think step by step」は有効ですか？ A: 英語フレーズのままでも有効（多言語LLMは英語指示で内部処理）。日本語フレーズに翻訳しても同等の効果が確認されている。
Q3: Self-ConsistencyとZero-Shot CoTは組み合わせられますか？ A: 可能。Zero-Shot CoTで複数の思考チェーンを生成し、Self-Consistencyで最多答えを採用することで更に精度が向上する。
まとめ
- 発祥: NTT小島武仁 et al. 2022（日本発）
- 実装: プロンプトに1フレーズ追加するだけ
- 効果: MultiArithで+61ptの劇的改善
- 汎用性: タスク固有の例示不要で最も使いやすいCoT手法