本文研究了大型语言模型（LLMs）的能力，特别关注于推进链式思维提示的理论理解。通过引入一个适用于自然语言生成的两级分层图模型，研究者们建立了一个具有吸引力的几何收敛率，用于衡量LLMs生成的思维链条与真实语言起源的思维链条之间的相似度。这些发现为LLMs能够产生正确的思维序列提供了理论上的证明，并解释了在需要推理技能的任务中性能提升的原因。

本文研究了大型语言模型（LLMs）的能力，特别关注于推进链式思维提示的理论理解。通过引入一个适用于自然语言生成的两级分层图模型，研究者们建立了一个具有吸引力的几何收敛率，用于衡量LLMs生成的思维链条与真实语言起源的思维链条之间的相似度。这些发现为LLMs能够产生正确的思维序列提供了理论上的证明，并解释了在需要推理技能的任务中性能提升的原因。