cot

最初的↘那颗心

Prompt高级推理：COT思维链、Self-Consistency与ReAct模式实战导读：在与大模型交互的过程中，简单的"一问一答"往往难以胜任复杂的推理任务。本文将深入介绍三种提升大模型推理能力的核心技术——思维链（Chain of Thought, COT）、自我一致性（Self-Consistency）和 ReAct 模式。从"让模型先想再答"的基本思路，到"多次采样投票取最优"的暴力美学，再到"推理与行动交织"的 Agent 底层逻辑，逐步带你掌握 Prompt 高级推理的完整技能树。

从 CoT、RAG 到 Dify、Deep Research：一篇讲清 AI 问答系统的两条进化路线很多人在接触大模型应用时，经常会看到这些词：但问题是：这些词到底是什么关系？CoT（提示词思想） + RAG（检索增强）

【VLM】HopChain视觉语言推理多跳数据合成框架这篇论文提出了HopChain，一个可扩展的框架，用于合成多跳视觉语言推理数据，以改进VLMs的可验证奖励强化学习（RLVR）训练。具体来说：

AI Agent 核心认知框架详解在人工智能领域，Agent（智能体）之所以区别于传统的聊天机器人，核心在于其具备感知、规划、记忆和使用工具的能力。而决定 Agent 如何思考、如何决策以及如何执行任务的底层逻辑，被称为“认知框架”。认知框架是 AI Agent 的大脑结构，从基础的思维链到复杂的反思机制，每种框架都在试图解决大模型幻觉、逻辑断层或工具使用不当的问题

思维链：计算长度换计算深度，获取多次的向前传播思维链：计算长度换计算深度，获取多次的向前传播如果要对这个说法进行更严谨的学术辨析，可以把它修正为：“用推理长度的增加，来换取单次前向传播无法完成的、更深层次的‘计算深度’。”

Intern-S1-Pro模型深入解析我们将文件分为三大类，并解释它们如何像齿轮一样咬合。为了让你更直观地理解，我们将 Intern-S1-Pro 比作一个拥有超级大脑的科研团队。

【AI黑话日日新】什么是隐式CoT？摘要：链式思考（CoT）是大语言模型（LLM）实现复杂推理的核心技术，但显式CoT依赖生成冗长自然语言推理步骤，带来巨大token开销、推理延迟与显存占用，严重制约其在实时场景、边缘设备与大规模部署中的落地。隐式CoT（Implicit CoT）将推理过程编码在模型连续隐藏嵌入空间中，跳过显式token生成，直接输出最终答案，在保留推理能力的同时实现效率量级提升。本文从原理、主流实现、性能效率、核心挑战与未来方向，全面解析隐式CoT这一LLM推理效率革命的关键范式，为工程落地与学术研究提供参考。

Agentic AI： Chain of Thoughts (COT) CrewAI 一步步解释，从 0 到 1使用 CrewAI 实现 Chain-of-Thought（思维链）与 Chain-of-Action（行动链）的完整步骤说明（中文版）

AI核心知识63——大语言模型之Reasoning Model （简洁且通俗易懂版）推理模型 (Reasoning Model) 是大语言模型进化出的一个全新物种。如果说 GPT-4、Claude 3 这种传统模型是“反应快、博学多才的百科全书” ；

Chain‑of‑Thought 推理链评估全解析：从参考方法到无参考指标随着大语言模型在多步推理任务中的能力不断提升，Chain-of-Thought（CoT）推理已成为分析与改进模型行为的重要工具。然而，相比推理方法本身，如何可靠地评估模型生成的推理过程这一问题长期缺乏统一答案。

AI核心知识30——大语言模型之CoT（简洁且通俗易懂版）CoT 是 Chain-of-Thought（思维链）的缩写。它是提示工程（Prompt Engineering）中最著名、最有效、也是最神奇的一种技术。

思维链（CoT）× 智能体（Agent）× 提示词（Prompt）讲解直觉：当一条答案可以由多种正确思路到达时，对 r 进行多样化采样/搜索能提升稳定性与上界。

weixin_37763484

【COT】PromptCoT 2.0少样本训练 CoT字节与港大提出的 PromptCoT 2.0，在少样本、无强教师、无人工标注条件下，高效生成高质量 CoT（Chain-of-Thought）数据并训练模型。

SGLang简介简单来说，SGLang 是一个用于编写和优化与大语言模型（LLMs）交互程序的框架和领域特定语言（DSL）。它的核心目标是让 LLM 的推理过程跑得更快，同时让复杂的提示词（Prompt）逻辑写起来更简单。

飞机火车巴雷特

【论文阅读】LightThinker: Thinking Step-by-Step Compression (EMNLP 2025)论文题目：LightThinker: Thinking Step-by-Step Compression

爱补鱼的猫猫

26、思维链Chain-of-Thought（CoT）论文笔记论文题目：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models 在大型语言模型中提示推理的思维链 COT论文地址：https://arxiv.org/abs/2201.11903 [Submitted on 28 Jan 2022 (v1), last revised 10 Jan 2023 (this version, v6)]

CogCoM: A Visual Language Model with Chain-of-Manipulations Reasoning 学习笔记当前 VLMs 通过对齐视觉输入和语言输出训练，虽然整体表现好，但在需要细致视觉推理的任务上容易出错，比如无法正确识别图片中的细节内容。这是因为现有模型习惯直接给出结论，而缺乏中间推理步骤。

大模型综述一镜到底（全文八万字） ——《Large Language Models: A Survey》论文链接：https://arxiv.org/abs/2402.06196摘要：自2022年11月ChatGPT发布以来，大语言模型（LLMs）因其在广泛的自然语言任务上的强大性能而备受关注。正如缩放定律所预测的那样，大语言模型通过在大量文本数据上训练数十亿个模型参数来获得通用语言理解和生成能力。大语言模型的研究领域虽然非常新，但在许多不同方面都在迅速发展。在本文中，我们回顾了一些最杰出的大语言模型，包括三个流行的大语言模型家族（GPT、LLaMA、PaLM），讨论了它们的特点、贡献和局限性。我们还概述了

大模型从零开始——提示工程 Prompt文章目录上下文学习演示示例选择选择依据选择策略直接检索聚类检索迭代检索性能影响因素预训练数据预训练模型

基于COT（Chain-of-Thought Prompt）的教学应用：如何通过思维链提示提升模型推理能力随着人工智能技术的快速发展，大型语言模型（LLMs）在自然语言处理领域展现出了强大的能力。然而，面对复杂的推理任务时，模型的表现往往不尽如人意，尤其是在需要多步逻辑推导的场景中。为了应对这一挑战，Chain-of-Thought Prompt COT技术应运而生。COT通过引导模型生成一系列中间推理步骤，将复杂问题分解为更易处理的子问题，从而显著提升模型的推理能力。