什么是 思维链？
思维链（Chain-of-Thought，CoT）是一种提示技术，通过引导大语言模型将复杂推理任务分解为中间步骤，模拟人类思维过程来提高准确性和可解释性。
快速了解
| 全称 | 思维链提示 |
|---|---|
| 创建时间 | 2022 年由 Google Research 提出 |
| 规范文档 | 官方规范 |
工作原理
思维链提示由 Google 研究人员于 2022 年提出，旨在增强大语言模型的推理能力。通过明确要求模型逐步展示其推理过程，CoT 能够在算术、常识和符号推理任务上取得更好的表现。这项技术已成为复杂问题解决中提示工程的基础方法。
主要特点
- 逐步推理，将复杂问题分解为可管理的部分
- 提高数学和逻辑任务的准确性
- 通过可见的推理过程增强可解释性
- 支持零样本和少样本变体
- 在较大的语言模型（1000亿+参数）上效果最佳
- 可与自一致性等其他提示技术结合使用
常见用途
- 数学问题求解和算术推理
- 多步骤逻辑推演任务
- 需要推理的复杂问答
- 代码调试和算法解释
- 科学推理和假设验证
示例
loading...
Loading code...常见问题
零样本思维链和少样本思维链有什么区别？
零样本思维链使用'让我们一步步思考'等短语，无需示例。少样本思维链则提供逐步推理的示例供模型参考。少样本通常产生更好的结果，但需要更多的提示工程工作。
为什么思维链能提高模型准确性？
思维链通过将复杂问题分解为更简单的中间步骤来提高准确性，使模型能够为每个步骤分配更多计算资源。这模拟了人类解决问题的方式，减少了多步推理中的错误。
思维链对所有语言模型都有效吗？
思维链在较大的模型（通常是 1000 亿+参数）上效果最好。较小的模型可能无法显著受益，或可能产生不正确的推理步骤。这项技术是随着语言模型的规模扩展而出现的。
哪些类型的问题最能从思维链中受益？
思维链对算术应用题、多步逻辑推理、常识推理和需要推断的任务最有效。对于简单的事实回忆或分类任务，它的帮助较小。
思维链可以与其他提示技术结合使用吗？
可以，思维链可以与自一致性（采样多个推理路径）、思维树（探索多个分支）等其他技术结合使用，以进一步提高推理准确性和可靠性。