本研究提出了一种复杂度注释的第一阶逻辑推理数据集，旨在提升大语言模型对复杂算法的理解能力。该数据集包含35亿个标记，促进对模型学习符号推理过程的深入研究，增强算法能力的透明性。

本研究提出了Audio-Reasoner，一个大型音频语言模型，旨在提升音频推理能力。通过构建包含120万个样本的高质量推理数据集CoTA，显著提高了音频推理的逻辑能力，并在多个基准测试中表现优异。研究强调了结构化链式思维训练的重要性。