大型语言模型（LLMs）在开发中越来越受欢迎，掌握有效的提示技巧至关重要。主要的提示技术包括：零样本提示、少样本提示、思维链提示、思维树提示和角色提示。这些技巧可以结合使用，以提高AI模型的输出质量。

本研究探讨大型语言模型在多跳推理中选取和组合外部知识的能力，发现即使使用思维链提示，模型仍存在显著不足，与人类表现差距较大，为提升推理能力提供了参考。

本研究探讨了大型语言模型在现代数字通信中处理词义歧义的问题。通过结合系统性提示增强机制与意义解释知识库，研究发现少量示例的思维链提示策略显著提高了模型在社交媒体和数字交流中的词义准确性。

本研究结合思维链提示与贪婪坐标梯度技术，以增强大型语言模型的安全性，提高其对抗性攻击的可迁移性和普遍性。

本文介绍了大型语言模型在数学推理中的指令调优进展，提出了双向指令调优策略和Fine-tune-CoT方法，通过微调提升小模型的推理能力。研究表明，结合思维链提示和多模态信息可以显著提高模型的准确性，尤其在跨领域任务中表现优异。

本文探讨了大型语言模型（LLMs）通过思维链提示（CoT）提升推理能力的方法，包括微调策略、跨语言推理和多模态框架。研究表明，自我审查、步骤级辩论和视觉推理等新技术能显著提高模型在复杂任务中的准确性和性能。

谷歌的研究团队发现了一种名为“思维链提示”的技术，利用计算复杂性理论的方法，探索了思维链推理的力量。研究人员发现，思维链提示可以帮助Transformer解决更困难的问题，但需要大量的计算工作。

本文综述思维链提示的微调进展，包括MCMC-EM方法（最大化边际似然，在GSM8K等任务上优于STaR）、粗细链式思维、Ladder-of-Thought、CodeCoT、Iter-CoT、Fine-tune-CoT及多模态CoT等，可提升推理、代码生成与关系抽取表现。

研究表明，思维链提示能显著提升大语言模型在数学与推理任务中的表现。多项工作从理论机制、上下文学习、解码过程等角度证明，CoT可降低样本复杂度、增强计算能力，并催生CoTFormer、Faithful CoT、CodeCoT、RoT等框架，在推理、代码生成等任务上优于基准。

本文综述了思维链提示对大型语言模型多步推理的影响，涵盖Auto-CoT、Iter-CoT、Faithful CoT、Active-Prompt、Chain-of-Knowledge及跨语言提示等方法，并探讨了推理链的忠实度与偏见问题。

该文综述大语言模型在表格数据推理与生成方面的研究：思维链提示使小样本模型媲美SOTA；表格结构归一化、子表与子问题分解提升推理表现，并在TabFact上首超人类；蒸馏小模型在SciGen上超越GPT-3.5；但模型逻辑推理仍存缺陷，归纳编程基准表现较差。

该文综述可解释自然语言处理研究，涉及RExC、RR、REFER、R2R、ExPred等框架，通过检索增强、思维链提示、可微解释提取和多任务学习提升模型性能与解释忠实度。研究还发现大模型在科学推理中会编造证据，检索增强可改善问答表现，人类实验表明解释对BERT型分类器操纵帮助有限。

思维链提示可提升大语言模型推理表现，但其解释忠实度存疑，易受输入偏见影响，导致过度信任。研究提出Active-Prompt、MCMC-EM微调、Fine-tune-CoT等方法优化推理，并用于自动评分等任务。模型规模增大后，推理可信度反而下降，需谨慎使用。

该文综述思维链（CoT）提示研究：正确的操作与数值是GPT-3准确作答的关键，错误步骤会损害性能；CoT在ChatGPT上对部分任务失效，反映指令过拟合风险。Auto-CoT通过采样多样问题自动构建推理链，在十项基准上媲美或超越人工演示。研究还提出CodeCoT提升代码生成、Verify-and-Edit借助外部知识修正推理链，并发现CoT成功并非依赖模式，而在于提取知识并锁定正确答案。

该文综述了思维链（CoT）提示对大型语言模型多步推理的影响：即使提示中包含无效推理步骤，模型仍可达到80-90%的性能；文章介绍了跨语言自洽提示、Chain-of-Knowledge与F²-Verification、Fine-tune-CoT、多模态CoT（在ScienceQA上超越人类）、Auto-CoT自动构建演示及Iter-CoT迭代纠错等方法；同时指出模型规模增大后推理可信度反而下降，需谨慎使用。

本文综述大语言模型在表格任务中的推理能力：结合思维链提示，少样本即可媲美先进模型；相关研究涵盖CARP框架、表格结构归一化、推理评估套件、隐式推理、合成数据集PrOntoQA、表格推理蒸馏、子表分解及Tab-CoT提示等，并介绍TAP4LLM表格提供程序增强结构化数据理解。

提示工程是人工智能领域的前沿技术，通过为人工智能系统提供具体的提示来优化性能。它包括思维链提示、注意力提示和消极提示等方法。提示工程可以提高性能、灵活性和减少偏差，但也面临复杂性、缺乏标准和可解释性的挑战。总之，提示工程在提高人工智能系统性能方面有巨大潜力，将在塑造人工智能应用的未来发挥关键作用。