研究人员发现大型语言模型（LLMs）在处理推理步骤时存在一致性问题。通过引入“规划标记”作为指南并微调模型参数，解决了这个问题，并在三个数学问题数据集上取得了显著的准确性提升。

研究发现大型语言模型在整个推理链上保持一致性方面存在困难，通过引入“规划标记”作为指南并微调模型参数来解决问题。该方法在三种不同的LLMs上评估，相对于原始的链式思维微调基准，取得了显著的准确性提升。

研究发现大型语言模型在整个推理链上保持一致性方面存在困难，引入了“规划标记”作为指南，并通过微调模型参数来实现。该方法在三种不同的LLMs上进行了评估，相对于原始的链式思维微调基准，取得了显著的准确性提升。