链式思维在自然语言推理任务中效果如何？

1. 自然语言推理的定义

• 自然语言推理（NLI）判断"前提"与"假设"之间的逻辑关系：蕴含、矛盾或中立
• 典型数据集包括 SNLI、MNLI、ANLI 等

2. 整体效果

• 链式思维在 NLI 上通常带来稳定但相对温和的提升
• 对需要多步语义分解的难题（如 ANLI 困难样本、多跳推理）提升更明显
• 相比数学 / 符号任务，NLI 的增益较小，因为许多判断依赖语义直觉而非显式步骤

3. 相对优势

• 链式思维有助于暴露前提与假设之间的逻辑缺口，提升可解释性
• 在对抗性、含干扰信息的 NLI 样本上，逐步推理能减少被表面线索误导

4. 与其他推理类型的对比

• 数学推理提升最大，符号推理次之，常识与 NLI 类任务增益较温和
• 增益大小与任务"是否依赖显式可分解步骤"高度相关

5. 最佳实践

• 使用少样本提示提供"前提 → 推理 → 结论"的范式
• 显式标注推理所依据的前提片段
• 结合自一致性提升困难样本的稳定性