一句话导读
让模型”一步一步想”，推理能力大幅提升
论文信息
| 英文原名 | Chain-of-Thought Prompting Elicits Reasoning in Large Language Models |
| 中文常用名 | 思维链（CoT） |
| 作者 | Wei, Wang, Schuurmans, et al. |
| 发表年份 | 2022 |
| 出处 / 获取 | arXiv:2201.11903 |
| 所属专题 | AI Agent |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：大语言模型在常识问答上表现不错，但面对需要多步推理的数学、逻辑题时频繁出错——模型”直接给答案”而不”逐步思考”。能否通过提示词让模型显式输出中间推理步骤？
二、核心创新：论文提出思维链提示（Chain-of-Thought, CoT）：在少样本示例中展示”一步步推理”的过程（不仅给答案，还给出中间推理），引导模型在回答时也生成中间步骤，从而显著提升多步推理能力。实验证明 CoT 在算术、常识、符号推理三类任务上带来大幅提升。
三、关键技术细节：① 提示构造：每个示例包含”问题→推理过程→答案”，推理过程用自然语言描述（如”先算 X，再算 Y”）；② 关键发现：仅在模型规模足够大（≥60B）时 CoT 收益显著（涌现能力），小模型提升有限；③ 在 GSM8K（小学数学）上，CoT 让 540B PaLM 的准确率从 17.9% 提升到 58.1%；④ 与 self-consistency（多次采样投票）等后处理结合可进一步提升。
影响与后续发展
CoT 是大模型”推理能力解锁”的里程碑提示技术：直接启发了思维树（ToT）、自洽性（Self-Consistency）、思维链自我修正等大量推理方法，也推动了推理模型（如 o1、DeepSeek-R1）将”思维链”内化为训练目标的演进。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
Chain-of-Thought Prompting: We explore how large language models’ ability to perform complex multi-step reasoning can be elicited by prompting them with a series of intermediate reasoning steps (chain-of-thought). This simple method dramatically improves performance on arithmetic, commonsense, and symbolic reasoning benchmarks, and the improvement is especially pronounced on tasks that require multiple reasoning steps.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。