摘要

大型语言模型（LLMs）能够通过生成中间推理步骤来执行复杂的推理任务。为提示演示提供这些步骤的过程被称为思维链（CoT）提示。CoT提示有两种主要范式。一种使用简单的提示语，如“让我们一步一步思考”，在回答问题之前促进逐步思考。另一种则逐个使用一些手动示范，每个示范包含一个问题和一个推理链，最终得出答案。第二种范式的优越性能依赖于逐个手工制作任务特定的示范。我们展示了通过利用带有“让我们一步一步思考”提示的LLMs生成推理链来逐个构建示范，这样可以消除手动制作的工作。即，让我们不仅仅是一步一步思考，还要逐个思考。然而，这些生成的推理链往往会出现错误。为了减轻这些错误的影响，我们发现多样性对于自动构建示范至关重要。我们提出了一种自动化CoT提示方法：AutoCoT。它通过多样化的问题采样来生成推理链，从而构建示范。在十个公共基准推理任务中，使用GPT-3，Auto-CoT始终与需要手动设计示范的CoT范式表现相当，甚至超越了它。代码可以在 https://github.com/amazon-research/auto-cot 获取。

1 引言

大型语言模型（LLMs）[Brown et al., 2020, Thoppilan et al., 2022, Rae et al., 2021, Chowdhery et al., 2022]通过将多步骤问题分解为中间步骤，再给出答案，已在复杂推理任务中取得了令人瞩目的表现。这一推理过程是通过一种非常新的技术——思维链（CoT）提示[Wei et al., 2022a]激发的。

CoT提示可以分为两种主要范式。一种是在测试问题后添加一个单一的提示，如“让我们一步一步思考”，以促进LLMs中的推理链[Kojima et al., 2022]。由于这一提示范式与任务无关，且不需要输入输出示范，因此被称为zero-shot CoT（图1左）。使用零-shot CoT，LLMs已经显示出不错的 zero-shot推理能力。另一种范式是少量示范的提示，通过手动逐个展示推理链[Wei et al., 2022a]。每个示范包含一个问题和一个推理链。推理链由一系列中间推理步骤和期望的答案组成。由于所有示范都是手工设计的，这一范式被称为手动CoT（图1右）。

在实际应用中，手动CoT的表现比零-shot CoT更强[Wei et al., 2022a, Kojima et al., 2022]。然而，这一优越表现依赖于手工制作有效示范的工作。具体而言，手工设计需要大量的努力来构思问题及其推理链。此外，任务特定示范的设计工作量更大：不同的任务，如算术[Roy and Roth, 2015]和常识推理[Talmor et al., 2019]，需要不同方式的示范。为了消除这种手工设计，我们提倡另一种Auto-CoT范式，通过自动化构建带有问题和推理链的示范。具体而言，Auto-CoT利用带有“让我们一步一步思考”提示的LLMs来逐个生成推理链，从而逐步构建示范。也就是说，让我们不仅仅是一步一步思考，还要逐个思考。

然而，我们发现这个挑战不能通过简单的解决方案有效应对。例如，对于一个数据集中的测试问题，检索语义相似的问题并调用zero-shot CoT来生成推理链会失败。尽管LLMs在零-shot推理上表现不错，但它们并不完美：zero-shot CoT仍然可能在推理链中犯错。

为了减轻zero-shot CoT推理链错误的影响，我们的分析表明，示范问题的多样性是关键。基于这一见解，我们提出了一种Auto-CoT方法来自动构建示范。Auto-CoT包括两个主要步骤。首先，将给定数据集中的问题划分为若干个簇。其次，从每个簇中选择一个代表性问题，并使用简单启发式方法，通过零-shot CoT生成其推理链。

我们在十个基准推理任务上评估了Auto-CoT，包括：（i）算术推理（MultiArith [Roy and Roth, 2015]，GSM8K [Cobbe et al., 2021]，AQUA-RAT [Ling et al., 2017]，SVAMP [Patel et al., 2021]）；（ii）常识推理（CSQA [Talmor et al., 2019]，StrategyQA [Geva et al., 2021]）；（iii）符号推理（最后字母拼接，硬币翻转）[Wei et al., 2022a]。实验结果表明，使用GPT-3时，Auto-CoT始终与需要手动设计的Manual-CoT相当或更好。这表明，LLMs可以通过自动构建示范来执行CoT推理。

2 相关工作

本节回顾了两条为本研究奠定基础的研究线索：链式思维（CoT）提示用于多步推理和上下文学习用于引导LLMs从示范中学习。

2.1 链式思维提示

CoT提示是一种无梯度的技术，通过生成中间推理步骤来引导LLMs产生最终答案。Wei等人[2022a]正式研究了语言模型中的CoT提示技术。这项技术促使LLMs生成一系列连贯的中间推理步骤，最终得出问题的答案。研究表明，LLMs可以通过zero-shot提示（Zero-Shot-CoT）[Kojima等人，2022]或手动编写的少量示范（Manual-CoT）[Wei等人，2022a]来进行CoT推理。

Zero-Shot-CoT。Kojima等人[2022]展示了LLMs作为zero-shot推理者的优秀能力，其生成的推理过程已经反映了CoT推理。这一发现启发了我们利用自生成的推理过程来构建示范。LLMs生成推理过程在最近的研究中被证明是可行的[Zelikman等人，2022]。在他们的研究中，LLM被提示生成推理过程，选择那些生成正确答案的推理过程。然而，这需要一个带有标注答案的训练数据集。与此不同，我们的研究考虑的是一个更具挑战性的场景，即仅给出一组测试问题（没有训练数据集），这与Wei等人[2022a]和Kojima等人[2022]的CoT提示研究相一致。

Manual-CoT。Manual-CoT通过有效的手动示范激发CoT推理能力，取得了更强的性能。推理过程的示范是手动设计的。然而，设计问题及其推理过程的人工工作量是相当大的。近期的研究主要集中在手动编写更复杂的示范，或利用类似集成的方法来解决这一限制。一种趋势是问题分解。在最小到最多提示方法[Zhou等人，2022]中，复杂问题被分解为子问题，然后顺序解决这些子问题。另一种趋势是对测试问题的多个推理路径进行投票。Wang等人[2022a]提出了一种自一致性解码策略，通过对LLMs生成的多个输出进行采样，然后对最终答案进行多数投票。Wang等人[2022b]和Li等人[2022]通过在输入空间中引入随机性来产生更多样化的输出以进行投票。他们使用手动设计的示范作为种子集，并为这些示范生成额外的推理过程：从种子集中留下一个问题，使用其余示范生成该问题的推理过程，而LLM则完成这一过程。与上述依赖手动设计示范的研究不同，我们的工作旨在通过具有竞争力的性能消除手动设计。

2.2 上下文学习

CoT提示与上下文学习（ICL）[Radford等人，2019；Brown等人，2020]密切相关。ICL通过将一些提示示范作为输入的一部分，促使LLMs执行目标任务。ICL不需要梯度更新，可以让单个模型普适地执行多种任务。为提高ICL的性能，存在多种研究方向：（i）为测试实例检索相关示范，当前流行的做法是动态检索给定测试输入的相关训练示范[Rubin等人，2022；Su等人，2022]；（ii）通过细粒度信息增强，如加入任务说明[Mishra等人，2022；Wei等人，2022b；Sanh等人，2022]；（iii）操作LLMs输出概率，而不是直接计算目标标签的概率[Holtzman等人，2021；Zhao等人，2021；Min等人，2022a]。

尽管ICL取得了成功，研究表明[刘等人，2022a；陆等人，2022]ICL的效果可能因上下文示范的选择而存在很大差异[刘等人，2022b]。具体来说，提示格式（例如措辞或示范的顺序）可能导致性能波动[Webson和Pavlick，2022；Zhao等人，2021]。最近的研究[Min等人，2022b]甚至质疑了标准输入输出映射的必要性：使用不正确的标签作为示范例子，性能只会略微下降。然而，现有的ICL分析主要基于标准的分类和多选数据集，这些数据集只有简单的<input!output>映射。我们发现这些发现可能不适用于具有更复杂<input!rationale!output>映射的CoT提示场景。例如，在<input!rationale>映射或<rationale!output>映射中出现错误，会导致性能大幅下降（附录A.1）。

3 自动化链式思维的挑战

如前所述，ICL的性能依赖于手工设计的示范。根据Manual-CoT[Wei等人，2022a]的报告，使用不同注释员编写的示范会导致符号推理任务中最多28.2%的准确性差异，而改变示范的顺序则在大多数任务中导致不到2%的变化。这表明，Auto-CoT的关键挑战在于如何自动构造包含良好问题和推理链的示范。

回想一下，Manual-CoT手工设计了少量（例如8个）问题作为示范。由于基于相似性的检索方法在提示LLMs时得到了广泛应用[Rubin等人，2022；Su等人，2022]，一个有前景的解决方案是使用相似性检索来采样示范问题。我们遵循CoT研究中更具挑战性的假设[Wei等人，2022a；Kojima等人，2022]，即仅提供一组测试问题（没有训练数据集）。参考Liu等人[2022a]，我们使用Sentence-BERT[Reimers和Gurevych，2019]对问题进行编码。对于测试数据集中的每个问题$q^{\mathrm{test}}$，我们从其余问题中采样示范问题$q_i^{\mathrm{demo}}(i=1,\dots ,k)$。

我们设计了一种Retrieval-Q-CoT方法，通过余弦相似度检索出前k个（例如k = 8）相似问题。为了与这种基于相似性的方法进行比较，我们还测试了一种相对更具多样性的方法：Random-Q-CoT，该方法为每个测试问题随机采样k个其他测试问题。

Retrieval-Q-CoT和Random-Q-CoT都调用Zero-Shot-CoT[Kojima等人，2022]来为每个采样的示范问题$q_i^{\mathrm{demo}}$生成推理链$c_i^{\mathrm{demo}}$（推理过程和答案），因为LLMs是优秀的zero-shot推理者[Kojima等人，2022]。除非另有说明，我们使用175B参数的GPT-3[Brown等人，2020]（text-davinci-002）作为LLM。总体而言，Retrieval-Q-CoT和Random-Q-CoT都将$q_i^{\mathrm{demo}},c_i^{\mathrm{demo}}\mathsf{pairs}(i=1,\dots ;k)$和$q^{\mathrm{test}}$的拼接作为输入，预测$q^{\mathrm{test}}$的推理链，最终包含答案（如图1右侧所示）。

令我们感到意外的是，在算术数据集MultiArith [Roy 和 Roth，2015] 上，Retrieval-Q-CoT 的表现不如 Random-Q-CoT（见表1）。需要注意的是，检索方法最初是在带有标注标签的任务中提出的 [Rubin 等人，2022；Su 等人，2022]，然而，调用 Zero-Shot-CoT 并不能保证生成的推理链完全正确。因此，我们假设 Retrieval-Q-CoT 表现不佳的原因是由于 Zero-Shot-CoT 生成了错误的推理链。

为了验证这一假设，我们在另外两个数据集 GSM8K [Cobbe 等人，2021] 和 AQuA [Ling 等人，2017] 上对 Retrieval-Q-CoT 进行了实验，这两个数据集具有带有标注推理链的训练集。带“√”的结果如表1所示。在使用标注推理链的设置下，Retrieval-Q-CoT 的表现甚至超过了 Manual-CoT。该结果表明，Retrieval-Q-CoT 在有人类标注时是有效的。

尽管人类标注很有价值，但这种手动工作是非常费力的。然而，通过 Zero-Shot-CoT 自动生成推理链的效果仍然不如 Manual-CoT，尤其是在没有解决问题采样策略挑战的情况下。为了设计出更有效的 Auto-CoT，我们需要更深入地理解其所面临的挑战。

3.1 Retrieval-Q-CoT 因相似性误导而失败

由于 Retrieval-Q-CoT 与 Manual-CoT 一样使用少量提示性示例，因此理应具备相当的表现。然而，在 Retrieval-Q-CoT 中，推理链（包括中间推理过程和最终答案）是通过 Zero-Shot-CoT 生成的：这可能导致错误，从而产生错误答案。我们将这类带有错误答案的示例称为错误示例（wrong demonstrations）。

直觉上，在从测试问题中检索出相似问题后，由 Zero-Shot-CoT 生成的错误示例可能会误导同一个大型语言模型（LLM）以类似的错误方式进行推理（例如复刻错误），从而导致测试问题也出错。我们将这种现象称为相似性误导（misleading by similarity）。我们将进一步分析相似性误导是否是 Retrieval-Q-CoT 表现不佳的原因之一。

首先，我们在 MultiArith 数据集的全部 600 个问题上调用 Zero-Shot-CoT。结果中，有 128 个问题（记作集合 Q）被错误回答（错误率：21.3% = 128/600）。正如前文所述，Retrieval-Q-CoT 和 Random-Q-CoT 是在 Zero-Shot-CoT 基础上添加额外示例，因此理论上应该表现更优。在这 128 个 Zero-Shot-CoT 失败的问题 Q 中，我们将 Retrieval-Q-CoT 或 Random-Q-CoT 依然失败的子集称为未解决问题（unresolved questions）。

我们通过将未解决问题的数量除以 128 来计算未解决率（unresolving rate）。未解决率越高，说明该方法越可能像 Zero-Shot-CoT 那样犯错。

如图2所示，Retrieval-Q-CoT 的未解决率为 46.9%，远高于 Random-Q-CoT 的 25.8%。这表明，当为测试问题采样相似问题时，Retrieval-Q-CoT 更容易受到相似性误导的负面影响。

为了进一步说明 Retrieval-Q-CoT 的未解决问题更容易“相似”，我们在表2中展示了一个案例分析。在左侧部分，检索出的示例问题与测试问题非常相似，均问及“他还需要多长时间来完成烹饪剩下的食物？”。Zero-Shot-CoT 所生成的推理链却错误地将“the rest”理解为“总共需要的时间”。由于受到这些错误示例的影响，Retrieval-Q-CoT 也误解了“the rest”的含义，因而失败。

相反，Random-Q-CoT 并未从类似问题中引入错误推理，而是使用了更为多样化（随机）的示例，从而正确理解了“the rest”的含义，避免了相似错误。

3.2 错误频繁集中在同一簇中

受到表 2 中观察结果的启发，我们使用 k-means 将全部 600 个测试问题划分为 k=8k = 8 个簇，其中每个簇包含语义相似的问题1。结合第 3.1 节中通过 Zero-Shot-CoT 生成的推理链，我们接下来关心的是：是否某些簇中的问题更容易被 Zero-Shot-CoT 错误解答。因此，我们为每个簇计算其错误率，即：

错误率=Zero-Shot-CoT 产生错误答案的问题数该簇中的总问题数 $\text{错误率}=\frac{\text{Zero-Shot-CoT 产生错误答案的问题数}}{\text{该簇中的总问题数}}$

如图 3 所示，存在一个错误频发的簇（Cluster 2），其 Zero-Shot-CoT 错误率高达 52.3%。这一现象可能具有普遍性，因为 Zero-Shot-CoT 在目标任务中可能缺乏解决某些常见问题的能力1。为便于描述，我们将错误率最高的簇称为高错误簇（例如图 3 中的 Cluster 2）。因此，以 zero-shot 方式生成的推理链存在不完善之处，这使得基于相似度的方法容易从高错误簇中检索出多个相似问题。

对于高错误簇中的测试问题，Retrieval-Q-CoT 更容易构造出带有多个相似错误的 demonstration，从而导致它重复 Zero-Shot-CoT 的错误。这一点也通过图 2 中 Retrieval-Q-CoT 更高的未解决率再次得到了印证。

温馨提示：
阅读全文请访问"AI深语解构" 大型语言模型中的自动化思维链提示