谷歌CoT开山之作，再次成为OpenAI o1模型的利器。
LLM复杂推理能力的实现，就离不开一步一步思考，但是这种「思考」究竟对于什么类型的任务有帮助呢？
来自UT-Austin、霍普金斯、普林斯顿的研究人员，使用CoT对100多篇论文，进行了定量元分析。
论文地址：https://arxiv.org/abs/2409.12183
同时，他们还对14个模型的20个数据集，进行了评估。
结果显示，CoT在涉及数学、逻辑任务中，能够增强LLM性能，但在其他类型任务上，收益较小。
在MMLU中，除非问题或模型回答中包含“=”（表示符号运算和推理），否则直接生成答案，而不使用CoT，能达到与使用CoT相同的准确率。
基于这一发现，作者通过分离「规划」和「执行」，并工具增强的LLM进行比较，来分析CoT在这些任务中的行为。
结果证实，CoT的大部分收益，来自于符号执行的改进，但相对于使用符号求解器来说，表现较差。
总而言之，作者希望通过研究告诉我们，CoT并非是万能的。
「CoT可以有选择性地应用，以平衡性能和推理计算成本」。
另外，未来研究中还需超越基于提示的CoT，转向利用整个LLM中间计算的新范式。
用CoT，还是不用CoT，这是一个问题
o1成为当红炸子鸡，一大原因便是采用了CoT架构。
但是，千万不要被OpenAI误导了。
其实，先前就有研究称，CoT在数学以外的领域，并没有那么有用，甚至有时会损害模型性能。
最新研究中，作者的目标是去评估，基于提示的CoT在哪些领域发挥作用最大，以及具体的原因。
110篇论文，14大类别
对此，研究人员从机器学习顶会ICLR 2024、两个NLP顶会EACL 2024和NAACL 2024中，筛选了所有4642篇论文（2259篇来自ICLR 2024，2,382篇来自两个ACL附属会议）。
在这些论文中，通过自动筛选出现CoT、chain-of-thought或chain of thought两次的文章，共得到516个样本。
然后，下一步通过手动筛选，得到对「CoT提示与直接提示进行比较」的论文。
经过一系列排除，最终收集了110篇论文样本，涵盖了264个数据集。
最后，研究人员将所获得样本中的不同任务，分成14个类别。
如下图2所示，在不文献中，作者发现CoT在任务分类中的性能增益。
可见，CoT在符号推理、数学、逻辑推理三大类别任务中，性能最优，平均提高分别为14.2%、12.3%和6.9%。
使用CoT的前三项任务，平均性能为56.9%，而没有CoT的性能为45.5%。
对于其他类别任务，使用CoT的平均性能为56.8%，而没有使用CoT的平均性能为56.1%。
图2右侧显示了，在数学、符号或逻辑推理以外的任务实验中，平均CoT增量较高10个异常值。
虽然这些论文没有被归类为数学逻辑，但其中一些在某种程度上与逻辑、数学或符号推理相关。
从这个列表中可以看出，从CoT中获益最多的数据集是BIG-bench Hard。还有BIG-bench Temporal、MMLU-Moral Scenarios都涉及到了基本简单问题的组合。
同时，还有几个异常值，也隐约遵循这一趋势。比如，ScienceQ是由一系列自然和社会科学科学选择题组成，但如果不按学科/问题类型细分成绩，很难解释其收益。
其次，在一些论文分析中，其他论文评分结果并未显示出CoT带来的改进。
实验结果
更进一步的，团队在零样本学习和少样本学习的设置下，对14个模型的20个数据集进行了一系列实验，以比较性能。
与CoT相比，零样本CoT有何改进？
如下图3所示，具体显示了图1中，每个推理类别的平均CoT性能改进。右侧呈现的是，对每个数据集使用CoT所带来的性能增益，这是所有模型和单个模型选择的平均值。
在非符号推理类别和数据集上，特别是那些包含主要涉及常识（CSOA、PIOA、SiOA）、语言理解（WinoGrande）和阅读理解（(AGILSAT、ARC-Easy、ARC-Challenge）问题的数据集。
零样本CoT和零样本直接回答的性能之间，几乎没有区别。
尽管这些数据集中涉及推理，但是CoT并没有带来显著的改进。
相较之下，数学和符号类别，与符号和许多符号数据集一起得到了大幅改进。
MATH和GSM8k的增幅分别高达41.6%和66.9%。对于半符号数据集如Mvsteries等，结果显示出适度的增幅。
例如，从简单的自然语言(ContextHub)或更复杂的常识陈述(MuSR 谋杀之谜)解析出一阶逻辑。所有结果均显示在附录 C.1中，表7中还显示了 CoT 和直接答案提示的完整数字结果列表。我们还探索了少数镜头设置，发现它对 CoT 何时提供帮助的影响不大;参见附录 B。
答案形式，是否会影响到CoT帮助的范围？
答案——不多，预先规划或推理正确反应，可能会阻碍模型自主反应能力。
除了数学之外，许多常用的问题数据集是多项选择。
对于两个非多项选择，且包含不同级别的非符号推理来回答问题数据集，CoT具有与跨模型直接回答相似的性能。
其次，BiGGen Bench使用自由式回答作为问题答案，并使用LLM作为法官，以1-5级来评估这些回答。
得到的答案，本质上模糊了CoT和直接答案之间的界限。
为此，研究人员设置了一个新的CoT提示，要求语言模型生成自由形式响应的规划，然后要求其在生成完整的响应。
知识、软推理和常识方面，性能提升显著吗？
除了MMLU、StrategyQA和MuSR外，大多数情况下答案是否定的。
作者使用配对引导法在知识、软推理和常识推理类别的13个数据集上，测试了CoT改进的显著性。
结果得出，大约 38%的数据集显示出，这三个推理类别的效益是显著的。
MMLU和MMLU PRO
MMLU和MMLU Pro显示了，使用CoT带来收益，但由于这些数据集非常广泛，因此无法进行简单的表征。
研究人员探索了MMLU每个类别上的CoT性能，以了解这些领域之间CoT性能的差异。
对此，他们列出了3个类别，其中CoT在MMLU和MMLU Pro上，Llama 3.1 8B和70B最大的误差减少。
其中，一些任务类别明显是数学性质，正如图8中所呈现的那样。
此外，我们还可以看到，CoT在商业任务上，能够提供一定的帮助。经过仔细核查，这些任务也会常常涉及数学等一些内容。
实验结果如下图4所示，当问题或生成结果汇总包含“=”，以及不包含“=”时，使用CoT时的增益效果。
CoT在公式推理中的优缺点
前面主要说明了CoT主要在符号推理任务发挥作用，但没有说明具体原因。
在符号任务上，研究人员CoT的性能提升归因于两个阶段：规划阶段和执行阶段。
下图6显示了，代表性模型选择的结果。
将直接答案与Plan+ Direct求解器和Plan+CoT求解器进行比较时，可以注意到，对于许多数据集和模型，仅有规划并不能解决大部分性能增益。
与直接答案相比，需要CoT或Plan+CoT求解器，来获得强大的性能。
尽管CoT和Plan+CoT求解器，比直接答案和Plan+Direct求解器有优势，但在大多数设置中，仍以Plan+Tool求解器为主。
与符号求解器相比，LLM执行和追踪步骤的能力受到限制。
鉴于以上的发现，研究团队认为CoT应该有选择性地应用，尤其是在需要处理数学、逻辑推理的任务。
而不分青红皂白地使用CoT，可能会导致推理成本增加。
他们还建议，若想进一步提升模型推理能力，还需要超越基于提示的CoT。
总而言之，CoT is not all you need。
