LATS: 将语言模型中的推理、行动和规划统一起来

LATS是一种利用大型语言模型（LLMs）进行决策的框架，它将LLMs作为代理、价值函数和优化器，以增强决策能力。LATS采用蒙特卡罗树搜索作为模型，利用外部反馈的环境提供更加灵活和适应性的问题解决机制。LATS在HumanEval上使用GPT-4实现了94.4%的编程得分，在WebShop上使用GPT-3.5实现了平均得分75.9。

XoT: 强化学习增强思维生成

该文介绍了一种名为XOT的提示技术，它增强了像GPT-3和GPT-4这样的大型语言模型(llm)解决复杂问题的潜力。

THOR：思维链激励下的隐式情绪推理

本文介绍利用思维链方法来链式推理出隐式情感的方法，在 Zero-shot 设定下提升 50% F1 值。

Graph-of-Thought: 思维图

用图的推理能力来设计 prompt，思维图能助力 LLM 解决更复杂的任务。近日，一个研究团队提出了更进一步的想法：思维图（GoT）。让思维从链到树到图，为 LLM 构建推理过程的能力不断得到提升，研究者也通过实验证明了这一点。他们也发布了自己实现的 GoT 框架。

Prompt工程指南

Prompt工程是一种创新的自然语言生成技术，同时是一门比较新的学科。Prompt指通过提供简短的指令或问题，启发机器生成连贯的文本回复。Prompt工程通过开发和优化Prompt，从而有效地将语言模型 （LM） 用于各种应用程序和研究主题（如问答和算术推理）。

Plan-and-Solve Prompting: 先计划再求解

该文介绍了 Plan-and-Solve Prompting: 先计划再求解 框架，通过将求解推理问题划分为 Plan 和 Solve 两个阶段，解决 CoT 中存在的计算错误、缺失步骤错误和语义误解错误等问题。

Chain-of-Thought: 思维链

该文介绍了 Chain-of-Thought: 思维链 框架，结合 in-context, few-shot prompting 以及多步中间推理，通过大模型来改善数学计算、常识推理的效果。

Tree-of-Thought: 思维树

该文介绍了 Tree-of-Thought: 思维树 框架，由普林斯顿和谷歌DeepMind联合提出的全新「思维树」框架，让GPT-4可以自己提案、评估和决策，推理能力最高可提升1750%。

MathPrompter: 数学推理

该文介绍了 MathPrompter: 数学推理 框架，解决需要多步推理的复杂数学问题。