本研究推出基准EasyMath，旨在提升小型语言模型的数学推理能力，涵盖十三类问题。测试结果表明，模型规模和训练程度均能提高准确性，链式思维有助于提升表现，而一致性在模型规模增大时显著改善。

本研究提出自适应GoGI-Skip框架，旨在解决大型语言模型在复杂任务中链式思维推理的冗长低效问题。该框架结合目标梯度重要性与动态跳过机制，显著提高推理效率与准确性，令牌数量平均减少超过45%，推理速度提升1.6-2.0倍。

本研究提出了一种新方法，通过自适应问题难度生成高质量链式思维（CoT）数据，以解决大型语言模型在复杂任务中的推理能力不均衡问题。该方法显著降低了数据生成成本，提高了模型微调效率，并在数学竞赛和代码生成领域验证了其有效性。

本研究评估了结构性推理技术在心理健康预测中的有效性，特别是链式思维和树状思维。结果表明，这些推理技术在分类表现上优于传统方法，尤其在复杂情况下，具有良好的临床应用潜力，同时也指出了模型的可靠性和可解释性挑战。

本研究探讨了零-shot链式思维提示在日语中的有效性。比较GPT-3.5与GPT-4o-mini后发现，前者在大学数学和抽象代数领域表现提升，但在更先进模型中效果有所下降，为日语处理中的推理能力改进提供了新见解。

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。

本研究提出了一种新颖的连续空间推理方法，通过引入轻量级助手模型生成软思维令牌，克服了链式思维的局限性，显著提升了大语言模型的推理能力。

本研究提出了一种链式思维提示方法，以提高大型语言模型在抑郁症检测中的准确性和可解释性。该方法将检测过程分为四个阶段，在分类准确率和诊断深度上优于传统方法，具有重要的临床应用潜力。

本研究首次探讨链式思维推理在自回归图像生成中的应用，提出三种技术显著提升生成性能，尤其是通过潜力评估奖励模型使生成结果提高24%。

本研究提出了GAMEBoT，一个评估大语言模型（LLM）推理能力的平台，旨在提高推理评估的透明度和解释力。该平台通过将复杂推理分解为模块化子问题，并引入链式思维提示，增强了LLM推理过程的可验证性，避免了数据污染，展现了应对复杂任务的挑战性。

本研究提出C3oT压缩框架，解决链式思维过长导致的高解码成本问题。通过训练长短CoT，实验结果显示生成的CoT长度缩短超过50%，且有效性未降低，具有实际应用潜力。