本研究探讨了GPT-4在战略决策中的类比推理能力。实验结果显示，GPT-4在类比检索中具有高召回率但低精确度，而人类则表现出相反的特征，显示出对因果关系的更强理解。这一发现强调了因果映射在类比推理中的重要性。

本研究提出了MetaLadder框架，旨在提升大语言模型在数学推理任务中的能力。通过类比问题推理转移，该方法使解决准确率提高了10.3%。

本研究探讨大型语言模型在类比推理中的鲁棒性，发现GPT模型在不熟悉的类比问题上表现显著下降，强调在评估人工智能时需关注其鲁棒性。

本文提出了一种结合超维计算与概念空间理论的方法，以填补类比推理的研究空白。研究表明，该方法在基于分类和属性的类比推理中展现出潜在的语义理解能力。

本研究探讨大型语言模型在类比推理中的能力，发现其知识泛化表现不佳，未达到人类水平。

本研究提出DeFine框架，通过概率因素和类比推理解决大型语言模型在口语转录中的不确定性问题，对医疗咨询、谈判和政治辩论等领域有重要影响。

人类反馈强化学习（RLHF）是将LLM与人类偏好对齐的主要方法之一。研究发现Expert Iteration算法在提升LLM推理能力方面表现最佳，且样本复杂度与PPO相似。研究还讨论了SFT训练期间性能度量之间的权衡，并指出RL训练可以同时改善两者。这些研究结果对RLHF和LLM微调中RL的未来角色具有重要影响。

自动生成的相关示例对大规模语言模型（LLM）在类比推理任务中的性能具有非常可观的提升效果，并存在重要因素影响其准确性，研究者设计了两种改进方法以降低推理成本。

LogicAsker是一种自动方法，用于评估和改进大型语言模型的逻辑推理能力。测试发现逻辑推理错误的比率从25%到94%不等。LogicAsker的测试用例可提高语言模型的逻辑推理能力。该研究首次基于测试结果创建提示来提高语言模型的形式推理能力。

该研究规范了类比推理的六个维度，并定义了四个任务来评估新型AI技术的可扩展性。实验结果显示现有方法能够在有限范围内推理类比，但需要进一步研究提高AI的综合性和可扩展性。

Active-Prompt是一种新方法，通过任务特定的示例提示来适应LLMs的不同任务，并通过选择最不确定的问题进行注释来确定哪些问题是最重要和有帮助的。实验结果表明该方法在八项复杂推理任务中取得了最新成果。

“思维链”（CoT）提示法让语言模型在各类推理任务上表现优异，但是，这通常需要对推理过程的实例进行标记。在这个研究中，我们推出了一种新颖的提示技巧，名为“类推提示法”，旨在自动引领大语言模型进行推理。

本文介绍了一种无监督融合不同游戏概念生成新的计算机游戏关卡的方法，并在超级马里奥兄弟游戏中演示了系统的表现。该方法可以由人类专家设计者融合的游戏关卡。

在《自然・人类行为》一文中，作者讨论了大语言模型在模拟推理方面的特点。然而，实验证明GPT-3无法解决最简单的变体问题，需要更多证据排除数据记忆对人类推理能力的影响。