MI-Distillation: Selecting from Model-Interpolated Instruct-Reasoning Data Spectrum for Chain-of-Thought Distillation
The Key Laboratory of Brain-Machine Intelligence Technology, Ministry of Education(教育部脑机智能技术重点实验室)
本研究提出MI-Distillation框架,通过模型插值构建指令推理数据频谱,引入SeqLSS选择合适轨迹,在推理基准上显著提升了小模型的思维链蒸馏效果。
2026-09-01 cs.AI cs.CL
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
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
Reasoning Instructions Can Break Answer Decoding in Vision--Language Models
Shanghai Jiao Tong University(上海交通大学)
本研究揭示思维链前缀评分会严重破坏视觉-语言模型的多项选择评估,通过实验证明答案信息仍存于隐藏状态但读取失败,并建议避免此类评分方式。
2026-09-25 cs.AI cs.CL
Dynamic Strategy Chain: Dynamic Zero-Shot CoT for Long Mental Health Support Generation
Jiangxi University of Finance and Economics(江西财经大学)
针对零样本思维链提示在心理健康长咨询文本生成中缺乏策略、无法个性化的问题,提出动态策略链方法,通过GPT2动态生成适配策略引导大模型生成回复,性能优于传统零样本思维链方法。
2023-08-21 cs.AI cs.CL cs.HC
Soft Guidance Starts to Outperform CoT Prompting as LLMs Improve
该研究发现,随着LLM性能提升,标准CoT提示的干扰作用凸显,推理专用模型在零样本设置下的数学推理性能优于少样本CoT提示。
2026-08-05 cs.AI
Instruction Tuning and CoT Prompting for Contextual Medical QA with LLMs
New York University(纽约大学);Columbia University(哥伦比亚大学);University of Michigan(密歇根大学)
本研究针对开源大型语言模型在生物医学问答基准PubMedQA上的性能提升问题,通过对比标准指令提示、思维链提示及QLoRA参数高效指令调优策略,发现思维链提示可提升零样本推理,指令调优显著提高准确率,但思维链提示微调的收益具模型和规模依赖性。
2025-06-13 cs.CL
xCoT: Cross-lingual Instruction Tuning for Cross-lingual Chain-of-Thought Reasoning
State Key Lab of Software Development Environment, Beihang University(北京航空航天大学软件开发环境国家重点实验室);Beijing Information Science and Technology University(北京信息科技大学);School of New Media and Communication, Tianjin University(天津大学新媒体与传播学院)
本文提出跨语言指令微调框架xCoT,通过多语言指令数据、跨语言少样本学习、随机在线CoT和跨语言蒸馏,将高资源语言的思维链推理能力迁移到低资源语言,显著缩小跨语言性能差距。
2024-01-13 cs.AI cs.CL
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
CoTasks: Chain-of-Thought based Video Instruction Tuning Tasks
KDDI Research, Inc.(KDDI研究公司)
CoTasks框架通过将复杂视频问题分解为帧定位、实体跟踪、时空关系提取四类基础任务,以CoT式结构化监督提升视频大语言模型的组合推理能力,在NeXT-QA上显著提高多个模型的推理性能。
2025-07-18 cs.CL cs.CV
CASE: Causal Alignment and Structural Enforcement for Improving Chain-of-Thought Faithfulness
研究思维链推理中生成的推理无法忠实支持最终答案的问题,提出CASE框架,通过训练时因果对齐和推理时结构强化,结合构建多种数据集及选择性损失微调、屏蔽注意力等方法,提升CoT忠实度、跨数据集转移能力及平均准确率。
2026-07-22 cs.CL
When do you need Chain-of-Thought Prompting for ChatGPT?
University of Maryland(马里兰大学)
本文研究思维链提示在ChatGPT上的有效性,发现其对算术推理等任务不再有效,并揭示指令微调中的过拟合偏差及预训练数据集泄漏风险。
2023-04-18 cs.AI
Large Language Models As MOOCs Graders
University of Arizona(亚利桑那大学)
本研究在三门MOOC中以18种设置评估GPT-4与GPT-3.5,发现结合教师答案和评分量规的Zero-shot-CoT评分比同伴评分更贴近教师评分。
2024-03-01 cs.AI cs.CL
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
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
GCoT: Chain-of-Thought Prompt Learning for Graphs
Singapore Management University(新加坡国立管理大学);University of Science and Technology of China(中国科学技术大学)
本文提出首个面向无文本图的思维链提示学习框架GCoT,通过将下游任务分解为多步推理、思考生成和条件提示学习,在八个数据集上验证了其有效性。
2025-06-02 cs.AI cs.CL
$π$-CoT: Prolog-Initialized Chain-of-Thought Prompting for Multi-Hop Question-Answering
cornell(康奈尔大学)
$π$-CoT通过结合逻辑编程与语言模型,提升多跳问答性能,优于传统RAG和CoT方法。
2026-10-15 cs.CL
CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback
Vanderbilt University(范德比大学)
提出CoTAL方法,结合证据中心设计、人机协同提示工程和思维链提示,迭代优化LLM评分,在多个领域提升GPT-4评分性能达38.9%,并获师生认可。
2026-09-15 cs.CL
Towards Better Chain-of-Thought Prompting Strategies: A Survey
Nanjing University(南京大学);Collaborative Innovation Center of Novel Software Technology and Industrialization(新型软件技术与产业化协同创新中心)
本文针对大语言模型思维链(CoT)提示策略缺乏系统总结的问题,调研现有研究,分析CoT提示效果的影响因素、应用方法、挑战及未来方向,为相关研究提供参考。
2023-10-08 cs.CL
Triggering Chain-of-Thought via Latent Feature Interventions in Large Language Models
University of Virginia(弗吉尼亚大学)
研究发现大型语言模型中的推理能力由潜在内部激活支持,通过引导特定潜在特征可提升性能,CoT提示并非唯一触发方式。
2026-09-01 cs.AI cs.CL
You Don't Need Prompt Engineering Anymore: The Prompting Inversion
Independent Researcher(独立研究者)
本研究提出Sculpting提示方法,发现其在中端模型gpt-4o上优于标准CoT,但在gpt-5上效果相反,揭示提示策略需随模型能力共同演进。
2025-10-25 cs.AI cs.CL cs.LG
Self-prompted Chain-of-Thought on Large Language Models for Open-domain Multi-hop Reasoning
SJTU-Paris Elite Institute of Technology, Shanghai Jiao Tong University(上海交通大学上海交大-巴黎精英工程师学院);Shanghai Jiao Tong University(上海交通大学);Department of Computer Science and Engineering, Shanghai Jiao Tong University(上海交通大学计算机科学与工程系)
本文提出自动化框架SP-CoT,通过构建高质量ODMR数据集、自适应采样器和自提示推理提升LLMs的多跳推理能力,在大规模模型上超越SOTA,并将小规模模型零样本性能近乎翻倍。
2023-10-23 cs.AI cs.CL
Where Do CoT Training Gains Land in LLM based Agents?
ByteDance(字节跳动);Beijing Key Laboratory of Research on Large Models and Intelligent Governance(北京市大模型与智能治理重点实验室);Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE(教育部新一代智能搜索与推荐工程研究中心)
通过比较有无思维链的动作预测,发现CoT训练主要提升直接动作预测质量,而非CoT推理优势,后期检查点更依赖提示,选择性掩码动作监督可改善泛化。
2026-06-26 cs.AI
Auto-Prompting with Retrieval Guidance for Frame Detection in Logistics
Faculty of Information Technology, VNU University of Engineering and Technology(信息技术学院,越南工程大学)
本文提出基于检索引导的自动提示法,通过优化提示提升物流文本帧检测的准确性和效率。
2025-12-22 cs.AI cs.CL
Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting
NYU Alignment Research Group(纽约大学对齐研究组);Cohere(Cohere公司);Anthropic(Anthropic公司)
本文揭示CoT解释会受输入偏置特征系统性影响却不被模型提及,导致模型为错误或偏见答案合理化,证明其看似可信但不忠实。
2023-12-09 cs.AI cs.CL
Expert-Guided Prompting and Retrieval-Augmented Generation for Emergency Medical Service Question Answering
针对紧急医疗服务问答中现有大语言模型未利用领域结构化知识的问题,构建EMSQA数据集,提出Expert-CoT提示策略与ExpertRAG流水线,显著提升模型答题准确率,32B增强模型可通过全部EMS资质模拟考试。
2025-11-18 cs.AI cs.CL
Chain-of-Thought Reasoning Without Prompting
Google DeepMind(谷歌DeepMind)
本研究提出通过改变解码过程而非提示来激发LLMs的思维链推理,发现前k备选token中常含思维链路径,且置信度可区分思维链,实验证明该方法有效。
2024-05-23 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
CoTEVer: Chain of Thought Prompting Annotation Toolkit for Explanation Verification
KAIST AI(韩国科学技术院人工智能学院);Yonsei University(延世大学)
思想链(CoT)提示使大语言模型(LLM)能够通过在最终预测之前生成解释来解决复杂的推理任务。尽管CoT提示的能力很有前途,但它的一个关键缺点是其性能受到所生成解释的真实性的极大影响。为了提高解释的正确性,需要用解释数据微调语言模型。然而,只有少数数据集可用于这种方法,而且没有建立这种方法的数据汇集工具。因此,我们引入CoTEVer,一个工具包,用于注释生成的解释的事实正确性和收集错误解释的修订数据。此外,我们提出了几个用例,其中使用CoTEVer收集的数据可以用于提高解释的可信度。我们的工具包可在https://github.com/SeungoneKim/CoTEVer上公开获取。
2023-03-07 cs.CL cs.LG
CoT-TL: Low-Resource Temporal Knowledge Representation of Planning Instructions Using Chain-of-Thought Reasoning
Freie Universität Berlin(柏林自由大学);Continental Automotive Technologies GmbH(Continental汽车技术有限公司);Fraunhofer FOKUS(弗劳恩霍夫研究所)
本文提出 CoT-TL 框架,通过思维链推理与语义角色在低资源条件下将自然语言规划指令转换为 LTL,并结合模型检查提升可靠性,在多数据集和无人机规划中验证其优越性能。
2025-09-27 cs.CL cs.FL cs.LG
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
Cue-CoT: Chain-of-thought Prompting for Responding to In-depth Dialogue Questions with LLMs
The Chinese University of Hong Kong(香港中文大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Huawei Noah’s Ark Lab(华为诺亚方舟实验室);National University of Singapore(新加坡国立大学);Peng Cheng Laboratory(鹏城实验室)
提出Cue-CoT,一种基于语言线索的思维链提示方法,通过中间推理步骤发现对话中的性格、情感和心理线索,以增强LLM对深度对话问题的响应,实验表明其在帮助性和可接受性上优于标准提示。
2023-10-15 cs.AI cs.CL
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
Evaluating Prompting Strategies and Large Language Models in Systematic Literature Review Screening: Relevance and Task-Stage Classification
School of Mathematical and Computational Sciences(数学与计算科学学院)
本研究评估六种LLM与五种提示策略在系统性文献综述筛选中的交互效果,发现CoT-少样本平衡最佳,并提出低成本模型初筛加边界案例升级的分阶段工作流。
2025-10-17 cs.AI cs.CL
P-CoT: A Pedagogically-motivated Participatory Chain-of-Thought Prompting for Phonological Reasoning in LLMs
本文提出以教学法为动机的参与式思维链提示P-CoT,通过支架式教学和发现式学习等结构化引导激活大语言模型的潜在音系推理能力,在PhonologyBench上最高提升52%,并在部分任务中超越人类基线。
2025-07-22 cs.CL
Enhance Multi-domain Sentiment Analysis of Review Texts through Prompting Strategies
Hong Kong Baptist University(香港浸会大学);BNU-UIC Institute of AI and Future Networks(北师大-联合国际学院人工智能与未来网络研究院);BNU-HKBU United International College(北师大-港浸大联合国际学院);Beijing Normal University(北京师范大学)
本文针对大型语言模型在特定任务中的性能提升问题,提出了角色扮演(RP)提示、思维链(CoT)提示及二者结合的RP-CoT提示策略,实验证明这些策略有效提升了多领域情感分析及隐式情感分析的准确性。
2024-01-07 cs.AI cs.CL cs.LG
ChainLM: Empowering Large Language Models with Improved Chain-of-Thought Prompting
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);School of Information, Renmin University of China(中国人民大学信息学院);DIRO, Université de Montréal(蒙特利尔大学计算机科学与运筹学系)
本文提出CoTGenius框架自动生成高质量思维链提示,并构建数据集微调Llama 2-Chat模型得到ChainLM,同时提出步级辩论方法解决推理累积误差,显著提升了模型复杂推理能力。
2024-03-21 cs.CL
Evaluating the Instruction-Following Robustness of Large Language Models to Prompt Injection
University of California Santa Barbara(加州大学圣巴巴拉分校);Microsoft(微软);Tencent AI Lab(腾讯人工智能实验室)
本文构建了一个基准来评估大型语言模型对提示注入攻击的指令遵循鲁棒性,通过大量实验揭示了模型在区分注入指令与原始指令方面的重大漏洞,并指出未来应重点提升模型对提示的整体理解与指令辨别能力。
2023-11-25 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
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
Towards Understanding Chain-of-Thought Prompting: An Empirical Study of What Matters
The Ohio State University(俄亥俄州立大学);University of Washington(华盛顿大学);Google Research(谷歌研究院)
本文通过实证研究CoT提示的有效因素,发现无效推理示范仍可保留其80%至90%以上性能,而相关性和步骤顺序更关键。
2023-06-01 cs.CL
Zero-Shot Chain-of-Thought Reasoning Guided by Evolutionary Algorithms in Large Language Models
School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);National Key Laboratory of General Artificial Intelligence(通用人工智能国家重点实验室);Key Laboratory of Machine Perceptron (MOE), Peking University(北京大学机器感知教育部重点实验室)
本文提出一种基于进化算法动态生成零样本思维链提示的方法,通过初始化、进化操作和选择重写,在十个数据集上优于现有方法,提升了大语言模型的推理能力。
2024-02-08 cs.CL
The CoT Collection: Improving Zero-shot and Few-shot Learning of Language Models via Chain-of-Thought Fine-Tuning
KAIST AI(韩国科学技术院人工智能学院);NAVER AI Lab(NAVER人工智能实验室);University of Washington(华盛顿大学)
该研究提出CoT Collection数据集,通过思维链微调较小语言模型(Flan-T5 3B/11B),在BBH基准和领域任务上显著提升零样本与少样本推理能力,甚至超越ChatGPT。
2023-10-14 cs.AI cs.CL cs.LG
Fewer is More: Boosting LLM Reasoning with Reinforced Context Pruning
Hong Kong University of Science and Technology(香港科技大学);Microsoft Research(微软研究院)
提出CoT-Influx方法,通过由粗到细的剪枝器与强化学习,在双倍上下文窗口中最大化输入简明CoT示例,显著提升LLM数学推理性能。
2024-02-15 cs.AI cs.CL
Structured Chain-of-Thought Prompting for Code Generation
Peking University(北京大学)
针对CoT提示在代码生成中准确率低的问题,提出SCoT提示,利用顺序、分支和循环三种程序结构构建中间推理步骤,在三个基准上使ChatGPT和Codex的Pass@1提升达13.79%,且更受开发者偏好。
2023-09-07 cs.CL cs.SE
Prompting Large Language Models with Chain-of-Thought for Few-Shot Knowledge Base Question Generation
East China Normal University(华东师范大学);Singapore Management University(新加坡管理大学)
本文提出基于思维链的提示方法 KQG-CoT 及其改进版 KQG-CoT+,将知识库问题生成转化为推理问题,通过检索逻辑形式并按复杂度排序构建推理链,在少样本场景下显著优于基线并在 PathQuestions 数据集上大幅超越现有 SoTA。
2023-10-23 cs.AI cs.CL
Automatic Prompt Augmentation and Selection with Chain-of-Thought from Labeled Data
The Hong Kong University of Science and Technology(香港科技大学)
本文提出Automate-CoT策略,通过从少量标注数据自动增广并剪枝推理链、再用方差缩减策略梯度选择最优组合,实现无需人工标注推理链的思维链提示,并在多类推理任务上取得提升。
2024-02-27 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
Deciphering the Factors Influencing the Efficacy of Chain-of-Thought: Probability, Memorization, and Noisy Reasoning
Princeton University(普林斯顿大学);Yale University(耶鲁大学)
本文通过移位密码解码任务研究影响思维链推理效能的因素,在GPT-4、Claude 3和Llama 3.1上识别出输出概率、预训练记忆和中间操作噪声三个关键因素,并证明它们显著影响模型准确率。
2024-10-04 cs.AI cs.CL
Reprompting: Automated Chain-of-Thought Prompt Inference Through Gibbs Sampling
Microsoft Research(微软研究院)
Reprompting通过吉布斯采样自动推断思维链提示,无需人工干预,在20个推理任务上平均比人工提示高9.4个百分点,优于现有优化算法。
2024-05-23 cs.AI cs.CL cs.LG
Investigating the Effectiveness of Task-Agnostic Prefix Prompt for Instruction Following
KAIST(韩国科学技术院);UCL(伦敦大学学院);LG AI Research(LG AI 研究院)
本研究提出任务无关前缀提示(TAPP)作为固定前置提示,显著提升多种大语言模型在推理时的指令跟随能力,平均提升34.58%(基础模型)和12.26%(指令微调模型),并假设其通过增强对指令的关注来改善输出分布估计。
2023-12-24 cs.AI cs.CL
Active Instruction Tuning: Improving Cross-Task Generalization by Training on Prompt Sensitive Tasks
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出基于提示不确定性的主动指令微调框架,通过模型在扰动提示上的输出分歧识别信息量大的任务进行选择性训练,在NIV2和Self-Instruct数据集上以更少训练任务实现了更好的分布外泛化,并揭示了模糊任务有助于泛化而困难任务无益的规律。
2023-11-01 cs.AI cs.CL
Analogy Generation by Prompting Large Language Models: A Case Study of InstructGPT
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University at Buffalo(布法罗大学)
我们提出了一种新的应用程序,提示预训练的语言模型(PLM)生成类比,并研究如何设计有效的提示两个任务设置:生成一个源概念类似于一个给定的目标概念(又名类比概念生成或ACG),并生成一个解释之间的相似性一对给定的目标概念和源概念(又名类比解释生成或AEG)。我们发现,提示InstructGPT生成有意义的类比是可行的,最好的提示往往是精确的命令式语句,特别是在低温设置下。我们还系统地分析了InstructGPT模型对提示设计、温度和注入拼写错误的敏感性,发现该模型对某些变化特别敏感(例如,问题vs.命令式陈述)。此外,我们对生成的1.4k个类比进行了人工评估,发现生成的质量因模型大小而异。最大的InstructGPT模型可以在为给定目标生成有意义的类比方面实现人类水平的性能,而AEG任务仍有改进的空间。
2022-10-11 cs.AI cs.CL
How does Chain of Thought Think? Mechanistic Interpretability of Chain-of-Thought Reasoning with Sparse Autoencoding
该研究通过稀疏自编码与激活修补技术,首次从特征层面因果探究思维链(CoT)的忠实性,发现CoT能在高容量大语言模型中诱导更可解释的内部结构,且存在明确的规模效应阈值。
2025-07-24 cs.AI cs.CL