Tag: prompting-reasoning-techniques
-
【AI 核心深度 M5-066】解释 Chain-of-Thought 为什么有效。（Why Chain-of-Thought (CoT) Works: A Computational Perspective）深度数理推导与工程落地解析
CoT 让模型生成中间步骤，把串行计算从’网络深度’搬到’序列长度’，从而突破常数深度的表达力限制。
-
【AI 核心深度 M5-067】解释 Self-Consistency 与多数投票。（Self-Consistency and Majority Voting in LLM Reasoning）深度数理推导与工程落地解析
对同一问题采样多条 CoT 路径，取答案的多数投票；利用’正确路径多样、错误路径分散’提升准确率。
-
【AI 核心深度 M5-068】解释 Tree-of-Thought 与 ReAct 的差异。（Tree-of-Thought (ToT) vs. ReAct: Internal Deliberation vs. External Interaction）深度数理推导与工程落地解析
ToT 在推理空间做树搜索（探索+回溯，无外部动作）；ReAct 交替推理与外部工具调用（有外部动作与观察）。
-
【AI 核心深度 M5-069】解释 few-shot 示例的选择与排序影响。（Few-Shot Example Selection and Ordering Effects in In-Context Learning）深度数理推导与工程落地解析
示例的选择（相似性/多样性）与顺序（近因效应）显著影响效果；随机顺序不可靠，需按任务设计。
-
【AI 核心深度 M5-070】解释提示的脆弱性与鲁棒性问题。（Prompt Brittleness and Robustness in Large Language Models）深度数理推导与工程落地解析
微小改动（措辞、顺序、格式）可导致性能大幅波动；成因包括分布敏感、注意力位置效应与评测噪声。
-
【AI 核心深度 M5-071】解释自反思（reflection / self-critique）的机制与局限。（Self-Reflection and Self-Critique Mechanisms and Limitations in LLMs）深度数理推导与工程落地解析
让模型检查自己的输出并修订；能修正显式错误，但对’自信的错误’无效，且可能’改错’。
-
【AI 核心深度 M5-072】解释 prompt 的格式敏感性与 chat template 的影响。（Prompt Formatting Sensitivity and the Impact of Chat Templates）深度数理推导与工程落地解析
同一语义的不同格式（标点、角色标记、换行）会改变输出；chat template 的差异会造成跨模型性能显著变化。