本文提出RM-PoT框架，旨在提升大型语言模型在复杂数字推理任务中的表现。该框架通过重构问题、代码辅助推理和少量样本学习，显著提高了解题的准确性和鲁棒性。研究表明，问题表述的微小变化会影响解答效果。