研究发现，大型语言模型在推理任务中个别步骤表现良好，但整体一致性不足。研究者通过引入“规划标记”并微调模型参数来改善，仅增加0.001%的参数量。测试结果显示，该方法在三种模型和三个数学数据集上显著提高了准确性。

研究人员发现大型语言模型（LLMs）在处理个别推理步骤时表现出色，但在整个推理链上保持一致性方面存在困难。为了解决这个问题，他们引入了“规划标记”作为指南，并通过微调模型的参数来提高一致性。实验证明，这种方法在三个数学问题数据集上取得了显著的准确性提升。

研究人员发现大型语言模型（LLMs）在处理推理步骤时存在一致性问题。通过引入“规划标记”作为指南并微调模型参数，解决了这个问题，并在三个数学问题数据集上取得了显著的准确性提升。

研究人员发现大型语言模型（LLMs）在处理个别推理步骤时表现良好，但在整个推理链上保持一致性方面存在困难。为了解决这个问题，他们引入了“规划标记”作为模型的指南，并通过微调模型的参数来实现。他们的方法在三个数学问题数据集上进行了评估，相对于基准方法，取得了显著的准确性提升。

研究发现大型语言模型在整个推理链上保持一致性方面存在困难，通过引入“规划标记”作为指南并微调模型参数来解决问题。该方法在三种不同的LLMs上评估，相对于原始的链式思维微调基准，取得了显著的准确性提升。

研究发现大型语言模型在整个推理链上保持一致性方面存在困难，引入了“规划标记”作为指南，并通过微调模型参数来实现。该方法在三种不同的LLMs上进行了评估，相对于原始的链式思维微调基准，取得了显著的准确性提升。

研究发现，大型语言模型在整个推理链上保持一致性方面存在困难。为了解决这个问题，研究人员引入了“规划标记”作为模型的指南，并将其嵌入到模型的参数中进行微调。该方法可实现显著的准确性提升，且已在三种不同的LLMs上进行了评估。