一文读懂：思维链 CoT（Chain of Thought） - 知乎专栏
cot 大幅度提高了 llm 在复杂推理任务上的性能，并且输出的中间步骤方便使用者了解模型的思考过程，提高了大模型推理的可解释性。 目前， 思维链推理 已经成为大模型处理复杂任务的一个常用手段
谈谈NLP中 大语言模型LLM的 思维链 Chain-of-Thought(CoT)
Jul 4, 2023 · Chain-of-Thought (CoT)是一种改进的Prompt技术，目的在于提升大模型LLMs在复杂推理任务上的表现，如算术推理（arithmetic reasoning）、常识推理（commonsense reasoning）、符号推理（symbolic reasoning）。 ICL的思路是在新测试样本中加入示例（demonstration）来重构prompt。 与ICL（In-Context Learning）有所不同，CoT对每个demonstration，会使用中间推理过程（intermediate reasoning steps）来重新构 …
大模型思维链（Chain-of-Thought）技术原理 - 知乎
Fine-tune-CoT 的核心思想是采用 Zero-Shot-CoT 生成我们的问答数据，然后使用温度 T 采样（也可以用 Top-k 采样），以此生成尽可能多的数据，然后再进行 Fine-tune。 其实就是使用不同的温度参数 T 采样，用 ChatGPT 这样的大模型生成 CoT 数据，然后再用小模型进行 Fine-tune。
解锁LLMs的“思考”能力：Chain-of-Thought(CoT) 技术推动复杂推 …
Jun 14, 2024 · Chain-of-Thought (CoT)是一种改进的Prompt技术，目的在于提升大模型LLMs在复杂推理任务上的表现，如算术推理（arithmetic reasoning）、常识推理（commonsense reasoning）、符号推理（symbolic reasoning）。 起源：CoT技术的概念是在Google的论文“Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”中被首次提出。 现状：随着大语言模型（LLM）的发展，CoT技术已成为提高LLM在复杂推理任务中性能的重要手 …
迈向System 2推理，100页论文硬核讲述Meta-CoT - 机器之心
Jan 11, 2025 · 上一节介绍了 Meta-CoT 过程，并指出 LLM 在高级推理任务上表现不佳的原因是训练数据未能充分代表真实的数据生成过程，即文本语料库中未包含（或仅包含有限数量的）Meta-CoT 数据。因此，剩下的问题是：真实的数据生成过程是什么样的？
大模型CoT（Chain of Thought）最新研究综合整理 - CSDN博客
Dec 23, 2024 · Chain-of-Thought（CoT）是一种在人工智能和机器学习领域中使用的技术，特别是在自然语言处理（NLP）任务中。它旨在通过模拟人类的思维过程来提高模型的理解和推理能力。
Meta-CoT | LLM增强推理的新框架 - 知乎 - 知乎专栏
SynthLabs和斯坦福的研究人员提出了Meta-CoT框架，通过结合认知科学中的 双过程理论 ，利用指令微调、MCTS和A*搜索等算法生成的合成数据、强化学习以及过程监督，模拟潜在推理步骤，提升大型语言模型在 复杂推理 任务上的表现，并在高难度数学推理和逻辑谜题 ...
UT：CoT在LLM推理的机制分析 - CSDN博客
Oct 1, 2024 · 思想链（cot）对于提高大型语言模型（llm）的推理能力具有重要意义。 然而， CoT 的有效性与提示中 推理 步骤的长度之间的相关性仍然很大程度上未知。
如何理解CoT对 LLMs 的提升 - 知乎 - 知乎专栏
Dec 20, 2023 · CoT[1]作为LLM提示中的关键技术，构成CoT提示的基本原则和 结构是什么 ？本文试图做一个拆解。内容来自论文：《Towards Understanding Chain-of-Thought Prompting: An Empirical Study of What Matters》[2]。 CoT明确鼓励LLM在解决问题时生成中间理由。
[2212.10001] Towards Understanding Chain-of-Thought …
Dec 20, 2022 · Chain-of-Thought (CoT) prompting can dramatically improve the multi-step reasoning abilities of large language models (LLMs). CoT explicitly encourages the LLM to generate intermediate rationales for solving a problem, by providing a series of reasoning steps in the demonstrations.
- Some results have been removed