Formula-One Prompting: Equation-First Reasoning For Applied Mathematics

Resumo Técnico: Formula-One Prompting (F-1)

1. O Problema

Os Grandes Modelos de Linguagem (LLMs) possuem um vasto conhecimento matemático embutido em seus dados de pré-treinamento, incluindo equações governantes de domínios específicos (física, finanças, criptografia). No entanto, as técnicas de prompting existentes, como Chain-of-Thought (CoT) e Program-of-Thought (PoT), falham em elicitar explicitamente a formulação de equações como uma etapa de raciocínio intermediária.

• A "Lacuna das Equações" (Equation Gap): Os modelos aprendem equações, mas os prompts atuais levam diretamente da descrição do problema para os passos de solução (texto ou código), sem forçar a identificação e formalização das estruturas matemáticas subjacentes.
• Limitações Atuais:
  • O CoT pode introduzir erros em derivações complexas devido a falhas em cascata nos passos intermediários.
  • O PoT é eficaz para cálculos numéricos, mas luta com raciocínio conceitual que não é facilmente expresso programaticamente.
  • Métodos de múltiplas chamadas (multi-call) ou roteadores externos aumentam significativamente o custo computacional e a latência.

2. Metodologia: Formula-One Prompting (F-1)

O F-1 é uma abordagem de chamada única (single-call) e duas fases que preenche a lacuna das equações, utilizando equações matemáticas como uma representação intermediária estruturada antes da resolução.

Fase 1: Formalização da Equação
O modelo é instruído a extrair as equações governantes do problema antes de tentar resolvê-lo. Isso envolve:

1. Identificar Dados (Givens): Extrair valores, condições e restrições explícitas.
2. Identificar Alvos (Targets): Determinar o que deve ser encontrado ou provado.
3. Formular Equações: Expressar as relações matemáticas que conectam os dados aos alvos. Isso força o modelo a compreender a estrutura subjacente.

Fase 2: Raciocínio de Fluxo Natural (Natural Flow Reasoning)
Após a formalização, o modelo seleciona naturalmente a estratégia de resolução mais adequada com base na estrutura da equação, sem regras de roteamento explícitas:

• Cálculo Direto: Para substituições simples.
• Chain-of-Thought (CoT): Para derivações multi-etapa ou provas lógicas.
• Program-of-Thought (PoT): Para problemas numéricos complexos ou iterações (gerando código).

Princípio Chave: A estrutura da equação (fechada vs. iterativa, simbólica vs. numérica) atua como um sinal natural que guia o modelo para a estratégia correta dentro de uma única geração de texto.

3. Contribuições Principais

1. Proposta do F-1: Um método de prompting que usa equações como representação intermediária estruturada, guiando o raciocínio natural dentro de uma única chamada de LLM.
2. Análise por Problema: Demonstração de que a formalização da equação é o componente principal do sucesso, revertendo 168 problemas de incorreto para correto em comparação com o CoT (em um total de 1.916 problemas analisados).
3. Análise de Estratégia: Evidência de que o F-1 atinge 73% de precisão na seleção de estratégia e alcança 81-84% do limite superior (upper bound) em domínios aplicados, sem necessidade de orquestração multi-chamada.

4. Resultados Experimentais

O F-1 foi avaliado em 5 modelos (incluindo GPT-5, Gemini 2.5 Pro, DeepSeek-V3.1 e Qwen3) e 4 benchmarks focados em matemática aplicada (OlympiadBench, FinanceMath, AICrypto, IMO-Bench).

• Desempenho Geral:
  • O F-1 superou o CoT em +5,76% e o PoT em +8,42% em média.
  • Venceu em 53 de 60 comparações (88,3%) entre modelo e benchmark.
• Ganhos em Domínios Aplicados:
  • O maior ganho ocorreu em FinanceMath: +13,30% sobre o CoT.
  • No OlympiadBench, os ganhos foram maiores em Física (+2,55%) do que em Matemática pura (+0,44%), validando a hipótese de que a formalização de equações beneficia mais problemas aplicados onde restrições devem ser modeladas explicitamente.
• Eficiência:
  • Mantém a eficiência de uma única chamada.
  • Apresenta a melhor Razão de Eficiência (Pontos de Precisão / Tokens) entre todos os métodos, superando o Zero-Shot, CoT e PoT.
  • O overhead de tokens é mínimo (+68 tokens de entrada em relação ao Zero-Shot).

5. Significado e Impacto

• Preenchimento da Lacuna de Domínio: O F-1 alinha o comportamento do LLM com a forma como especialistas humanos resolvem problemas aplicados: primeiro definindo as leis/equações, depois escolhendo o método de solução.
• Redução de Erros Semânticos: A formalização inicial previne confusões conceituais (ex: confundir "independente de x" com "igual a zero" em física) e erros de formato (ex: saída em porcentagem vs. decimal em finanças).
• Escalabilidade e Custo: Ao operar em uma única chamada e adaptar-se automaticamente à estratégia (CoT, PoT ou Direto) baseada na estrutura do problema, o F-1 oferece uma solução robusta e economicamente viável para sistemas de produção, eliminando a necessidade de roteadores complexos ou múltiplas chamadas de API.
• Generalização: O método demonstra que a capacidade de raciocínio matemático avançado não depende apenas de modelos maiores, mas de técnicas de prompting que ativam o conhecimento estrutural correto (equações) antes da execução.

Em resumo, o Formula-One Prompting estabelece que a formalização explícita de equações é o catalisador crítico para melhorar o raciocínio matemático em LLMs, especialmente em domínios científicos e financeiros complexos, superando as abordagens atuais de raciocínio puramente textual ou baseado em código.