编辑：LRS

大型语言模型最为人诟病的缺点，除了一本正经地胡言乱语以外，估计就是「不会算数」了。

论文链接：https://arxiv.org/abs/2303.05398

MathPrompter 使用 Zero-shot 思维链提示技术生成多个代数表达式或 Python 函数，以不同方式解决同一个数学问题，从而提高输出结果的可信度。

相比其他基于提示的 CoT 方法，MathPrompter还会检查中间步骤的有效性。

基于175B 参数 GPT，使用MathPrompter方法将MultiArith 数据集的准确率从78.7%提升到了92.5%！

近几年，自然语言处理的发展很大程度上要归功于大型语言模型（LLMs）在规模上的不断扩展，其展现出了惊人的zero-shot和few-shot能力，也促成了prompting技术的发展，用户只需要在prompt中给LLM输入几个简单的样例即可对新任务进行预测。

prompt对于单步的任务来说可以说相当成功，但在需要多步骤推理的任务中，提示技术的性能仍然不够。

人类在解决一个复杂问题时，会将其进行分解，并尝试一步步地解决，「思维链」（CoT）提示技术就是将这种直觉扩展到LLMs中，在一系列需要推理的NLP任务中都得到了性能改进。

这篇论文主要研究「用于解决数学推理任务」的Zero-shot-CoT方法，之前的工作已经在MultiArith数据集上得到了显著的准确率改进，从17.7% 提升到了 78.7%，但仍然存在两个关键的不足之处：

1、虽然模型所遵循的思维链改进了结果，但却没有检查思维链提示所遵循的每个步骤的有效性；

2、没有对LLM预测结果提供置信度（confidence）。

为了在一定程度上解决这些差距，研究人员从「人类解决数学题的方式」中得到启发，将复杂问题分解为更简单的多步骤程序，并利用多种方式在每一个步骤中对方法进行验证。

2. 数学提示 Math-prompts

基于上述多重验证和交叉检查的思维过程所提供的直觉上，使用两种不同的方法生成Qt的分析解决方案，即代数方式和Pythonic方式，给LLM提供以下提示，为Qt生成额外的上下文。

提示可以是「推导出一个代数表达式」或「编写一个Python函数」

LLM模型在响应提示后可以输出如下表达式。

从上表可以看到，MathPrompter的设计可以弥补诸如「生成的答案有时会有一步之差」的问题，可以通过多次运行模型并报告共识结果来避免。

此外，推理步骤可能过于冗长的问题，可以由Pythonic或Algebraic方法可以解决这个问题，通常需要较少的token

此外，推理步骤可能是正确的，但最终的计算结果却不正确，MathPrompter通过使用Python的eval()方法函数来解决这个问题。

在大部分情况下，MathPrompter都能生成正确的中间和最终答案，不过也有少数情况，如表中的最后一个问题，代数和Pythonic的输出都是一致的，但却有错误。

参考资料：

https://arxiv.org/abs/2303.05398