Layer-of-Thoughts Prompting (LoT): Leveraging LLM-Based Retrieval with Constraint Hierarchies
Center of Juris-Informatics, ROIS-DS(法信息学中心,研究组织法人综合研究机构)
本文提出 LoT 方法,利用约束层次结构过滤和优化候选响应,通过关注多轮交互中提示的层次关系,结合 LLM 显著提升了信息检索任务的准确性、可解释性和自动化。
2024-10-16 cs.AI cs.CL
Chain-Of-Thought Prompting Under Streaming Batch: A Case Study
Rice University(莱斯大学)
针对现有自动 CoT 方法假设测试数据预先可见的局限,本文通过案例研究探索流式设置下利用批处理数据构建与优化思维链提示的方法。
2023-06-01 cs.AI cs.CL cs.LG
Debiasing Large Language Models via Adaptive Causal Prompting with Sketch-of-Thought
RMIT University(皇家墨尔本理工大学);Jilin University(吉林大学)
ACPS通过适应性因果提示与草图思维方法,提升Large Language Models的推理效率与泛化能力。
2026-01-13 cs.AI cs.CL
Can Separators Improve Chain-of-Thought Prompting?
Yonsei University(延世大学);Linq
针对思维链提示示例密集易引发大语言模型认知过载的问题,提出在每个示例末尾添加分隔符的COT-SEP方法,显著提升复杂推理任务表现,并测试了分隔符类型、位置在多模型上的效果。
2024-10-09 cs.AI cs.CL
Divide and Prompt: Chain of Thought Prompting for Text-to-SQL
Jiangxi University of Finance and Economics(江西财经大学)
针对 Text-to-SQL 中 LLM 推理能力利用不足的问题,提出 Divide-and-Prompt 范式,通过任务分解与 CoT 提示提升 SQL 生成的执行准确率。
2023-04-23 cs.AI cs.CL
Image-of-Thought Prompting for Visual Reasoning Refinement in Multimodal Large Language Models
School of Engineering, Westlake University(西湖大学工程学院);City University of Hong Kong(香港城市大学);Research Center for Industries of the Future, Westlake University(西湖大学未来产业研究中心);Johns Hopkins University(约翰斯·霍普金斯大学)
提出 Image-of-Thought (IoT) 提示方法,通过自动设计视觉信息提取操作逐步生成视觉推理路径,结合文本与视觉推理路径,提升了多模态大语言模型在零样本视觉推理任务中的性能并增强了过程可解释性。
2024-05-29 cs.AI cs.CL cs.CV
Stress Testing Chain-of-Thought Prompting for Large Language Models
Johns Hopkins University(约翰斯·霍普金斯大学)
本文通过扰动CoT顺序、数值和算子对GPT-3进行压力测试,发现数值错误对推理准确率影响最大,而算子和顺序错误影响较小。
2023-09-28 cs.AI cs.CL
Intention Chain-of-Thought Prompting with Dynamic Routing for Code Generation
RoutingGen通过动态路由策略优化代码生成,结合少样本提示与结构化推理策略ICoT,提升生成效率与质量。
2025-12-16 cs.AI
Judgment-of-Thought Prompting: A Courtroom-Inspired Framework for Binary Logical Reasoning with Large Language Models
Soongsil University(松溪大学)
本文提出法庭启发的思维审判(JoT)多智能体提示框架,通过律师、检察官和法官角色辩论评估,在二元逻辑推理任务中显著提升准确性,如布尔表达式达98%准确率。
2025-05-21 cs.AI
Analyzing Chain-of-Thought Prompting in Large Language Models via Gradient-based Feature Attributions
Harvard University(哈佛大学)
本研究利用基于梯度的特征归因方法分析思维链提示对大语言模型的影响,发现其虽不增加语义相关标记的显著性分数幅度,但提高了分数对扰动和输出变化的鲁棒性。
2023-07-25 cs.AI cs.CL
CoT-Pose: Chain-of-Thought Reasoning for 3D Pose Generation from Abstract Prompts
针对3D人体姿态生成依赖详细提示而难以处理抽象语言的问题,提出CoT-Pose框架,将思维链推理融入姿态生成过程,并构建数据合成管道生成训练三元组,有效实现了从抽象文本到准确3D姿态的生成。
2025-08-11 cs.CV
Trace-of-Thought Prompting: Investigating Prompt-Based Knowledge Distillation Through Question Decomposition
Brock University(布鲁克大学)
提出Trace-of-Thought Prompting框架,通过问题分解将高资源大模型推理能力蒸馏给低资源小模型,在GSM8K和MATH上显著提升准确率,减少对专有大模型的依赖。
2025-04-30 cs.AI cs.CL
Psychologically-informed chain-of-thought prompts for metaphor understanding in large language models
Stanford University(斯坦福大学);Oberlin College(欧柏林学院)
本文提出基于认知心理学理论的思维链提示方法,将概率模型结构引入大型语言模型,通过引导模型推断潜在变量及关系来提升隐喻释义选择任务的性能。
2023-05-19 cs.AI cs.CL cs.LG
Chain of Thoughtlessness? An Analysis of CoT in Planning
Arizona State University(亚利桑那州立大学)
本文通过Blocksworld等规划任务分析思维链提示,发现其性能提升仅在提示与问题高度特定匹配时出现,且随问题规模增大迅速失效,表明思维链并未使模型学会通用算法,而是依赖精心设计的特定提示,并揭示了性能提升与人力成本之间的尖锐权衡。
2025-03-12 cs.AI
Cross-lingual Prompting: Improving Zero-shot Chain-of-Thought Reasoning across Languages
Central South University(中南大学);Harbin Institute of Technology(哈尔滨工业大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
针对零样本思维链推理局限于单一语言的问题,提出跨语言提示CLP及跨语言自洽提示CLSP,通过跨语言对齐与任务特定求解生成推理路径,在多个基准上达到最先进性能。
2023-10-23 cs.AI cs.CL
Generalizable Chain-of-Thought Prompting in Mixed-task Scenarios with Large Language Models
Shanghai Jiao Tong University(上海交通大学);Yale University(耶鲁大学)
本文提出GeM-CoT方法,通过先分类问题类型再从对应数据池自动采样或构建演示,在混合任务场景中同时提升思维链提示的泛化能力与推理性能,并在10个公共推理任务和23个BBH任务上验证了有效性。
2024-02-20 cs.AI cs.CL
Enhancing Zero-shot Chain of Thought Prompting via Uncertainty-Guided Strategy Selection
Microsoft Corporation(微软公司)
针对零样本 CoT 提示中人工示例成本高、触发短语不可靠的问题,提出 ZEUS,利用不确定性估计选择有效示例,并在四个推理基准上持续优于现有策略。
2024-12-06 cs.AI cs.CL
Analogy-Driven Financial Chain-of-Thought (AD-FCoT): A Prompting Approach for Financial Sentiment Analysis
New York University(纽约大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对金融新闻情感分析中复杂经济背景捕捉难和推理透明度低的问题,提出AD-FCoT提示框架,结合类比推理与思维链引导LLM进行逐步推理,无需微调即在分类准确率、市场回报相关性及可解释性上超越基线。
2025-09-16 cs.AI
Framework of Thoughts: A Foundation Framework for Dynamic and Optimized Reasoning based on Chains, Trees, and Graphs
School of Computation, Information and Technology(计算、信息与技术学院);Technical University of Munich(慕尼黑技术大学)
研究针对现有思维提示方案的局限,提出通用基础框架FoT,内置超参调整等功能,通过在其中实现三种流行方案验证其能力,能加快执行、降低成本并获更好任务分数,还发布代码库促进相关推理方案发展。
2026-07-07 cs.AI
Automatic Chain of Thought Prompting in Large Language Models
Shanghai Jiao Tong University(上海交通大学);Amazon Web Services(亚马逊云科技)
大语言模型(LLM)可以通过生成中间推理步骤来执行复杂的推理。提供这些提示演示的步骤被称为思想链(CoT)提示。CoT提示有两个主要范例。一个是利用一个简单的提示,比如“让我们一步一步地思考”,在回答问题之前促进一步一步的思考。另一种是使用几个逐个手动演示,每个演示由一个问题和一个推理链组成,推理链导致答案。第二范式的卓越表现取决于逐个手工制作特定任务的演示。我们表明,这种手动工作可以通过利用LLM与“让我们一步一步地思考”提示来逐个生成演示的推理链来消除,即,我们不仅要一步一步来想,还要一个一个来想。然而,这些生成的链经常会出现错误。为了减轻这种错误的影响,我们发现,多样性的自动构建演示的事项。我们提出了一种自动CoT提示方法:Auto-CoT。它对具有多样性的问题进行采样,并生成推理链来构建演示。在使用GPT-3的10个公共基准推理任务中,Auto-CoT始终匹配或超过需要手动设计演示的CoT范例的性能。代码可在https://github.com/amazon-research/auto-cot上获得
2022-10-07 cs.AI cs.CL
Layered Chain-of-Thought Prompting for Multi-Agent LLM Systems: A Comprehensive Approach to Explainable Large Language Models
News Corporation(新闻集团)
本文提出分层思维链提示框架,将大语言模型推理过程分层并引入外部检查与用户反馈,在医疗分诊、金融风险评估和敏捷工程等场景中提升多智能体系统的透明度、正确性与用户参与度。
2025-02-03 cs.AI cs.CL cs.MA
Boosting of Thoughts: Trial-and-Error Problem Solving with Large Language Models
University of Toronto(多伦多大学);University of Alberta(阿尔伯塔大学)
本文提出 BoT 自动化提示框架,通过迭代探索、评估思维树并基于错误分析修正提示,使 GPT-4 和 Llama2 在复杂数学问题上取得更优或相当的解决率。
2025-01-06 cs.AI cs.CL cs.LG
CAP-CoT: Cycle Adversarial Prompt for Improving Chain of Thoughts in LLM Reasoning
Department of Electronic Engineering, Kyung Hee University(韩国庆熙大学电子工程系);School of Computer Science and Engineering, University of Electronic Science and Technology of China(中国电子科技大学计算机科学与工程学院);Henan Polytechnic University(河南理工大学);School of Computing, Kyung Hee University(韩国庆熙大学计算机学院)
CAP-CoT通过循环对抗提示框架提升LLM推理的准确性和稳定性,通过生成候选推理链、构造有缺陷的链并对比反馈,优化推理过程。
2026-07-07 cs.AI
Prompting Science Report 2: The Decreasing Value of Chain of Thought in Prompting
University of Pennsylvania(宾夕法尼亚大学);WHU–Otto Beisheim School of Management(WHU-奥托·拜斯海姆管理学院);Glowforge
本报告通过严格测试评估CoT提示,发现其收益高度依赖任务与模型,对具备内置推理能力的新模型价值有限,却显著增加token与时间成本。
2025-06-08 cs.AI cs.CL
R$^3$ Prompting: Review, Rephrase and Resolve for Chain-of-Thought Reasoning in Large Language Models under Noisy Context
East China Normal University(华东师范大学);Singapore Management University(新加坡管理大学);Alibaba Group(阿里巴巴集团)
针对大型语言模型在噪声上下文中推理不准确的问题,提出R$^3$ prompting交互式提示方法,通过关键句提取、变量声明和答案预测三步提升推理准确率,实验证明其鲁棒性与泛化能力。
2023-10-25 cs.AI cs.CL
Enhancing Chain-of-Thoughts Prompting with Iterative Bootstrapping in Large Language Models
Xiamen University(厦门大学);Microsoft Research Asia(微软亚洲研究院);Microsoft(微软公司);IDEA Research(IDEA研究院)
本文提出Iter-CoT,一种迭代自举的思维链提示方法,通过自主纠错和选择中等难度示例,提升大语言模型在不同难度推理任务上的泛化性能,在十个数据集上取得竞争性结果。
2024-03-15 cs.AI cs.CL
Compositional Chain-of-Thought Prompting for Large Multimodal Models
University of California, Berkeley(加州大学伯克利分校)
本文提出零样本组合式思维链提示方法CCoT,通过让大型多模态模型先生成场景图再据此作答,在不微调、无需场景图标注的情况下提升组合视觉推理与通用多模态基准性能。
2024-04-01 cs.AI cs.CL cs.CV
CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph-LLM Reasoning
Sun Yat-Sen University(中山大学);The Chinese University of Hong Kong(香港中文大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);National University of Singapore(新加坡国立大学);University of Electronic Science and Technology of China(电子科技大学);Beijing University of Posts and Telecommunieations(北京邮电大学);Singapore Management University(新加坡管理大学)
研究分布转移下的图学习问题,提出CoEvoT框架,通过文本到图令牌重写与图到文本推理指导的闭环协同进化,实现逐步的、状态感知的证据细化,在八个数据集实验中性能优于现有基准模型。
2026-07-17 cs.AI cs.CL
MultiTool-CoT: GPT-3 Can Use Multiple External Tools with Chain of Thought Prompting
Kyoto University(京都大学);National Institute of Informatics(国立信息学研究所)
本文提出 MultiTool-CoT 框架,通过思维链提示让 GPT-3 在推理中调用计算器和知识检索器等多个外部工具,在 NumGLUE Task 2 上取得最先进性能。
2023-05-26 cs.AI cs.CL cs.LG
Heuristic Classification of Thoughts Prompting (HCoT): Integrating Expert System Heuristics for Structured Reasoning into Large Language Models
Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心);Shenyang Aerospace University(沈阳航空航天大学);ZGC LAB, Beijing,China(北京ZGC实验室);Institute for Network Sciences and Cyberspace, Tsinghua University(清华大学网络科学与网络空间研究院)
本文提出HCoT方法,通过启发式分类模型整合专家系统启发式方法,提升大型语言模型在复杂问题中的推理能力,实现更高效的决策和更稳定的推理链。
2026-04-17 cs.AI
Program of Thoughts for Financial Reasoning: Leveraging Dynamic In-Context Examples and Generative Retrieval
Indian Institute of Technology Kharagpur(印度理工学院卡格鲁分校)
本文提出FINDER两步框架,结合生成式检索与动态上下文示例的程序思维提示,提升LLM金融数值推理,在FinQA和ConvFinQA上实现新最先进性能。
2025-10-15 cs.AI cs.CE cs.CL
Teaching LLMs Music Theory with In-Context Learning and Chain-of-Thought Prompting: Pedagogical Strategies for Machines
Schulich School of Music, McGill University(麦吉尔大学舒立克音乐学院)
本研究通过上下文学习和思维链提示,评估ChatGPT、Claude和Gemini在RCM六级乐理考试中的表现,发现使用MEI编码并辅以上下文提示时Claude准确率达75%,为AI音乐教育提供策略参考。
2025-03-28 cs.AI cs.SD
HiCoTraj:Zero-Shot Demographic Reasoning via Hierarchical Chain-of-Thought Prompting from Trajectory
University of Minnesota(明尼苏达大学);Novateur Research Solutions(Novateur研究解决方案)
针对轨迹数据人口统计推断依赖标注数据且泛化性差的问题,提出HiCoTraj框架,利用大语言模型零样本能力,将轨迹转为自然语言并通过层次化思维链推理,在真实数据上取得竞争性性能。
2025-10-14 cs.AI
String Seed of Thought: Prompting LLMs for Distribution-Faithful and Diverse Generation
Sakana AI
SSoT通过引入随机字符串生成和提取机制,提升大语言模型在分布忠实和多样化生成任务中的性能。
2026-02-05 cs.AI
An automatically discovered chain-of-thought prompt generalizes to novel models and datasets
Medical University of Vienna(维也纳医科大学);Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);KTH Royal Institute of Technology(KTH皇家理工学院);Humboldt University Berlin(柏林洪堡大学)
本研究比较了六种LLM在六个问答数据集上的零样本CoT推理策略,发现自动发现的思维链提示能稳健泛化,且GPT-4获益最多、表现最佳。
2023-08-03 cs.AI cs.CL
Federated Prompting and Chain-of-Thought Reasoning for Improving LLMs Answering
South China Normal University(华南师范大学)
针对云端LLM零样本提示准确率低的问题,提出Fed-SP-SC和Fed-DP-CoT方法,利用联邦同义问题池结合自洽性与思维链技术,无需模型微调即可显著提升分布式用户查询的回答精度。
2023-06-30 cs.AI
Attention-guided Fine-tuning of Multimodal Large Language Models Improves Chain-of-Thought Reasoning
University of Virginia(弗吉尼亚大学)
针对多模态大语言模型中思维链推理效果不佳的问题,提出注意力引导的微调目标Attentive-CoT,通过延迟答案承诺和维持视觉令牌访问来提升推理性能。
2026-06-01 cs.CV
Supervised Chain of Thought
University of British Columbia(不列颠哥伦比亚大学)
本文研究“一提示通用于所有任务”的CoT方法对LLMs可计算性的负面影响,将解空间划分为提示空间和答案空间,并通过实验证明任务特定监督对提升推理性能至关重要。
2024-10-18 cs.AI cs.CL
When Chain-of-Thought Backfires: Evaluating Prompt Sensitivity in Medical Language Models
SAIL Lab, University of New Haven(纽黑文大学SAIL实验室)
研究评估医疗语言模型在不同提示格式下的鲁棒性,发现链式思维提示降低准确性,少样本示例和答案选项洗牌显著影响性能,且领域特定模型的提示工程策略不适用于通用模型。
2026-03-26 cs.AI cs.CL
Mechanics of Bias and Reasoning: Interpreting the Impact of Chain-of-Thought Prompting on Gender Bias in LLMs
Mila – Quebec AI Institute(魁北克人工智能研究所);McGill University(麦吉尔大学);HEC Montreal(蒙特利尔HEC)
本文研究了链式推理提示对大语言模型中性别偏见的影响,结合基准测试评估与机制可解释性技术,发现链式推理并未有效减少偏见,偏见仍存在于隐藏表示中。
2026-05-19 cs.AI cs.CL
Multitask Vision-Language Prompt Tuning
University of California Berkeley(加州大学伯克利分校);ByteDance Inc(字节跳动公司)
提示微调以任务特定的学习提示向量为条件,已经成为一种数据高效和参数高效的方法,用于使大型预训练视觉语言模型适应多个下游任务。然而,现有的方法通常考虑从零开始独立地学习每个任务的提示向量,从而无法利用跨不同视觉语言任务的丰富的可共享知识。在本文中,我们提出了多任务视觉语言提示微调(MVLPT),它将跨任务的知识到视觉语言模型的提示微调。具体而言,(i)我们证明了从多个源任务中学习单个可转移提示以初始化每个目标任务的提示的有效性;(ii)我们表明许多目标任务可以从共享提示向量中相互受益,因此可以通过多任务提示微调来共同学习。我们基准建议MVLPT使用三个代表性的提示微调方法,即文本提示微调,视觉提示微调,和统一的视觉语言提示微调。在20个视觉任务的结果表明,所提出的方法优于所有的单任务基线提示微调方法,设置新的国家的最先进的Few-Shot ELEVATER基准和跨任务的泛化基准。为了了解跨任务知识最有效的地方,我们还进行了一项大规模的研究任务的可转移性与20个视觉任务的400个组合的每一个提示微调方法。结果表明,每种提示微调方法的最佳性能MVLPT更倾向于不同的任务组合,并且许多任务可以相互受益,这取决于它们的视觉相似性和标签相似性。代码可在https://github.com/sIncerass/MVLPT上获得。
2022-12-05 cs.CL cs.CV
STOC-TOT: Stochastic Tree-of-Thought with Constrained Decoding for Complex Reasoning in Multi-Hop Question Answering
Virginia Tech(弗吉尼亚理工大学);Amazon Alexa AI(亚马逊Alexa人工智能)
本文提出STOC-TOT随机思维树推理提示方法,通过将多跳问答问题分解为子问题构建树状推理路径并进行概率估计,结合约束解码减少幻觉,在多个数据集和大语言模型上显著优于现有推理提示。
2024-07-04 cs.AI cs.CL
Zero-Shot Verification-guided Chain of Thoughts
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Bloomberg(彭博公司)
本文提出零样本验证引导的思维链方法,通过新提示COT STEP分解推理步骤,并用两种零样本验证器提示评估推理链正确性,以引导多种LLM完成数学和常识推理任务。
2025-01-21 cs.AI cs.CL
Resource-Efficient Fine-Tuning of LLaMA-3.2-3B for Medical Chain-of-Thought Reasoning
Department of Information Technology(信息科技系);The Islamia University of Bahawalpur(巴哈瓦尔普尔伊斯兰大学)
本文提出一种基于LoRA/QLoRA的资源高效微调方法,在受限GPU环境下增强LLaMA-3.2-3B的医学链式思维推理,内存减少60%且保持推理能力。
2025-10-06 cs.AI cs.CL
Optimizing Small Language Models for NL2SQL via Chain-of-Thought Fine-Tuning
本文通过链式思维微调优化小型语言模型,发现小型模型在NL2SQL任务中表现优于大型模型,显著提升准确率并降低成本。
2026-03-24 cs.AI
Self-Consistency Improves Chain of Thought Reasoning in Language Models
Google Research(谷歌研究院)
结合预先训练的大语言模型的思维链提示在复杂的推理任务中取得了令人鼓舞的结果。在本文中,我们提出了一种新的解码策略,自洽性,以取代天真的贪心解码中使用的思想链提示。它首先对一组不同的推理路径进行采样,而不是只采用贪婪的推理路径,然后通过边缘化采样的推理路径来选择最一致的答案。自洽性利用了一种直觉,即复杂的推理问题通常允许多种不同的思维方式,从而导致其唯一的正确答案。我们广泛的实证评估表明,自洽性性提高了一系列流行的算术和常识推理基准的性能,包括GSM 8K(+17.9%),SVAMP(+11.0%),AQuA(+12.2%),StrategyQA(+6.4%)和ARC挑战(+3.9%)。
2023-03-07 cs.AI cs.CL
SPT: Semi-Parametric Prompt Tuning for Multitask Prompted Learning
Nanyang Technological University(南洋理工大学);Amazon Web Services(亚马逊云科技)
预训练的大语言模型可以以自然的方式有效地插入人类书写的提示。多任务提示学习可以通过一次完成一组不同的任务来帮助概括,从而提高更有效的下游微调的潜力。为了在同一批中执行有效的多任务推理,已经提出了诸如提示微调的参数高效微调方法。然而,现有的提示微调方法可能缺乏通用性。我们提出了SPT,半参数提示微调方法多任务提示学习。SPT的新颖组件是一个存储体,从该存储体中基于离散提示检索存储器提示。大量的实验,如(i)微调一个完整的语言模型与SPT的31个不同的任务,从8个不同的领域和评估zero-shot泛化9 heldout数据集下的5个NLP任务类别和(ii)预训练SPT的GLUE数据集和评估微调SuperGLUE数据集,证明了SPT的有效性。
2022-12-21 cs.AI cs.CL cs.LG
Chain-of-Defensive-Thought: Structured Reasoning Elicits Robustness in Large Language Models against Reference Corruption
Department of Computer Science, University of Maryland, College Park, Maryland, USA(计算机科学系,马里兰大学,College Park,马里兰,美国)
本研究提出防御性思维链方法,通过提供结构化防御推理示例,显著提升大型语言模型在非推理任务中对抗参考数据损坏的鲁棒性,有效缓解了提示注入攻击导致的准确率下降。
2025-04-29 cs.AI cs.CL cs.LG
Prompt-Based Clarity Evaluation and Topic Detection in Political Question Answering
Research Spark Hub Inc.;Emerald High School
本文研究了基于提示的清晰度评估与政治问答主题检测,发现思维链提示显著提升清晰度和主题识别准确性,但细粒度逃避检测仍具挑战性。
2026-01-13 cs.AI cs.CL
When Language Shapes Thought: Cross-Lingual Transfer of Factual Knowledge in Question Answering
Hankuk University of Foreign Studies(韩国外国语大学)
本文基于语言与思维理论提出Language-to-Thought提示方法,使模型内部思维语言与知识来源对齐,在三种语言和四个模型上证明其优于英语提示推理,逆转了英语提示的优势假设。
2025-11-10 cs.AI cs.CL
Novelty-based Tree-of-Thought Search for LLM Reasoning and Planning
RWTH Aachen(亚琛工业大学)
本文提出基于新颖性的树状思维搜索方法,通过引入新颖性概念优化语言领域推理与规划任务,减少搜索范围和token成本。
2026-05-07 cs.AI cs.CL
Enhancing Depression Detection with Chain-of-Thought Prompting: From Emotion to Reasoning Using Large Language Models
College of Information Science and Engineering, Ritsumeikan University(立命馆大学信息科学与工程学院);Fujita Health University(藤田医科大学);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
针对当前基于大型语言模型(LLMs)的抑郁症检测方法存在细微症状识别困难、推理过程不透明的问题,提出一种思维链提示方法,将检测分为四阶段,在E-DAIC数据集上验证了其在分类准确性和诊断粒度上的优越性。
2025-02-09 cs.AI cs.CL
Skeleton-of-Thought: Prompting LLMs for Efficient Parallel Generation
Tsinghua University(清华大学);Microsoft Research(微软研究院);KU Leuven(鲁汶大学);Infinigence-AI(无涯智算AI)
针对LLM顺序解码导致的高延迟,本文提出Skeleton-of-Thought,先生成答案骨架再并行补全各要点,在12个LLM上实现加速并可能改善答案质量。
2024-03-02 cs.AI cs.CL
Strengthening Human-Centric Chain-of-Thought Reasoning Integrity in LLMs via a Structured Prompt Framework
Department of Computing, University of Turku(图尔库大学计算机系)
本文提出结构化提示框架以提升LLMs链式推理的可靠性及安全威胁检测能力,通过16个核心维度因素优化推理过程,实验证明在DDoS攻击检测中推理能力提升达40%,并获得高人评一致性。
2026-04-06 cs.AI cs.CR