论文搬运：自动化思维链条，AI如何自我激发推理能力

前言：

Auto-CoT提示方法使用基于多样性的采样和零样本生成，使语言模型能够自动生成复杂推理的示例，减少了人工创建提示的工作量。实验表明，在推理任务上，它的表现与手动提示相媲美。

关键要点：

• CoT（思维链条）提示通过提供逐步示例来改进语言模型的推理能力
• 手动创建CoT演示需要大量人力工作
• 本论文探讨了使用语言模型自身自动生成CoT演示的自动化方法
• 提出的Auto-CoT方法通过首先对给定任务的问题进行聚类，然后从不同聚类中采样出多样性的问题来进行自我提示
• 实验证明，Auto-CoT与手动创建的CoT相匹配，无需人类参与设计演示即可实现

介绍：

该论文“Automatic Chain of Thought Prompting in Large Language Models”（地址：https://arxiv.org/abs/2210.03493）探索了为大型语言模型（如GPT-4）创建有效的“思维链条”（CoT）提示的自动化方法。CoT提示涉及向语言模型展示一些示例，这些示例演示了从问题到最终答案的逐步推理过程。这可以提高在复杂推理任务上的性能。

讨论

然而，目前最好的CoT激励结果需要人工手动创建演示，包括手工制作问题和详细的推理步骤，以适应每个任务。作者提出通过让L