链式思维的核心原理是什么？为什么能让大模型推理能力显著提升？

1. 核心原理：思维外显与过程监督

• 思维外显机制：传统提示词只关注最终答案，链式思维要求模型显式输出中间推理步骤，将"隐式推理"变为"显式推理"
• 链式依赖：每一步推理依赖前一步的输出，形成逻辑链条，避免跳跃式推理导致的错误累积
• 过程监督：通过监督学习或提示引导，让模型学习"如何思考"而非仅"如何回答"

2. 提升推理能力的机制

• 注意力重分配：显式推理步骤引导模型将注意力集中在关键信息上，减少无关信息干扰
• 错误传播阻断：中间步骤提供检查点，单步小错不会直接导致最终答案错误
• 知识激活：推理过程激活模型内部存储的相关知识片段，提升知识检索的精确度
• 组合泛化：通过中间步骤将复杂问题分解为模型已掌握的简单能力组合

3. 实证效果

• 在 GSM8K 数学推理数据集上，零样本链式思维将 InstructGPT-175B 的准确率从约 10.4% 提升至约 40.7%（Kojima et al., 2022）
• 少样本链式思维将 PaLM-540B 的准确率从约 17.9% 提升至约 57%（Wei et al., 2022）
• 自一致性进一步将准确率提升至约 74.4%（Wang et al., 2022）