chain of thought prompting elicits reasoning in large language models

 GitHub - amazon-science/auto-cot: Official implementation for "Automatic Chain of Thought prompting in Large Language Models" (stay tuned & more will be updated)Official implementation for "Automatic Chain of Thought Prompting in Large Language Models" (stay tuned & more will be updated) - GitHub - amazon-science/auto-cot: Official implementation for "Automatic Chain of Thought Prompting in Large Language Models" (stay tuned & more will be updated)https://github/amazon-science/auto-cot

Chain of Thought论文、代码和资源【论文精读·43】_哔哩哔哩_bilibili更多论文：https://github/mli/paper-reading, 视频播放量 51466、弹幕量 130、点赞数 1857、投硬币枚数 979、收藏人数 699、转发人数 392, 视频作者 跟李沐学AI, 作者简介 ，相关视频：GPT，GPT-2，GPT-3 论文精读【论文精读】，Transformer论文逐段精读【论文精读】，CLIP 改进工作串讲（上）【论文精读·42】，如何读论文【论文精读·1】，你（被）吐槽过论文不够 novel 吗？【论文精读】，如何判断（你自己的）研究工作的价值【论文精读】，Chain-of-Thought Reasoning in Language Models 语言模型中的思维链推理，InstructGPT 论文精读【论文精读·48】，Swin Transformer论文精读【论文精读】，找论文复现代码的四种方法（简介区有文字版总结）https://www.bilibili/video/BV1t8411e7Ug/?spm_id_from=333.999.0.0&vd_source=4aed82e35f26bb600bc5b46e65e25c22

manual-cot属于few shot，Q和A属于人工设计的问题，autocot使用let's think step by step，前面的Q和A是采样的。not just step by step，lets one by one，不仅仅使用一个step by step，多次使用。

1.abstract

chain of thought（cot）：人类在遇到问题时所产生的的推理步骤，表现形式是一些列的短句子。用了cot之后，palm540b在GSM8k上取得了58.1%。

2.introduction

system 1：能够很快被理解的。system 2：很慢需要理解的，需要一步一步思考的，比如解数学题。

在prompt中不仅给出答案，再让大模型续写，而且给出推理过程，大模型续写正确率会提高。

cot需要更多计算量，因为更多的推理过程；cot有更好的可解释性。

人工构造cot的成本很高的，需要自己写推理过程。

在简单数据集上，模型越大，能力也是越高的，但是在难的数据集上，如果只使用标准的prompt，是不如cot prompt的，即便增大模型参数量效果也是不佳的，并非正相关的。

第一种，只有公式，第二种把cot替换成与中间式子等长的...，第三种把推理过程写在答案后面，效果都不太好，体现出cot中自然语言的作用。

在cot之前的prompt只是大模型语言能力的下线。