SELF-DISCOVER是一个框架，使大型语言模型（LLMs）能够自我发现推理结构，从而解决复杂问题。其性能在多个基准上比链式推理（Chain of Thought）提升32%，计算需求减少10-40倍，且超越CoT-Self-Consistency超过20%。该推理结构在不同模型间具有普适性，类似于人类的推理模式。

SELF-DISCOVER是一个通用的框架，能够自我发现任务内在的推理结构来解决复杂的推理问题。在多个推理基准上，相较于Chain of Thought (CoT)，性能提升高达32%。同时，在推理计算量较少的情况下，超过了CoT-Self-Consistency等推理密集型方法20%以上。证明了自我发现的推理结构在不同模型之间是普适的。

SELF-DISCOVER是一个通用的框架，用于自我发现任务内在的推理结构，提高推理问题的解决能力。相较于CoT，性能提升高达32%。在推理计算量较少的情况下，超过了CoT-Self-Consistency等推理密集型方法20%以上。自我发现的推理结构在不同模型族之间是普适的。