本文提出了一种基于链式推理的自动提问方法Auto-CoT，能够在多项推理任务中超越手动设计的示例。研究表明，链式思维提示有效提升大型语言模型的推理能力，并通过新的提示方法和策略增强模型在不同难度任务上的表现。实验结果显示，该方法在多个数据集上展现出卓越性能，具备良好的泛化能力和鲁棒性。

本文提出了一种基于链式推理的自动提问方法Auto-CoT，能够在多项推理任务中超越手动设计的示例。研究表明，链式思维提示显著提升大型语言模型的推理能力，尤其在复杂任务中。通过引入CoTGenius框架和步骤级辩论方法，优化了推理过程，减少了错误，提升了模型表现。

本文提出了一种基于链式推理的自动提问方法Auto-CoT，能够在多项推理任务中超越手动设计的示例。研究表明，Chain-of-Thought提示显著提升了大型语言模型的推理能力，并通过新框架CoTGenius生成高质量提示。实验结果显示，ChainLM模型在复杂推理问题上表现优异，步骤级辩论方法有效解决了推理中的累积误差。