大模型---COT思维链，TOT思维树，GOT思维图
目录
1.COT思维链
（1）Auto-CoT
（2）Self-Consistency
（3）Least-to-Most
2.ToT
3.GoT
4.总结
幻觉相关综述通常把问题分成两大类：一类是事实性幻觉，也就是与客观事实不一致；另一类是忠实性/一致性问题，也就是输出和输入、上下文、约束条件不一致。很多“推理增强”方法主要首先改善的是后者：让模型别跳步、别漏条件、别在中间步骤里乱走。COT/TOT/GOT这类方法是在给 LLM 增加“中间推理结构”或“中间决策机制”，从而减少一次性直出答案带来的跳步和错误传播。
1.COT思维链
CoT的定义参考下面论文：[2201.11903] Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
通过在提示中给出中间推理步骤，显著提升大模型在算术、常识和符号推理任务上的表现。这种能力在足够大的模型上更容易被激发出来。
CoT有两个层面：
① 格式层面：让模型输出步骤，也就是Few-shot CoT，给几个“题目 + 中间推理链 + 答案”的示例，模型模仿这种形式继续答题。
② 诱导层面：让模型进入“先推理再回答”的行为模式，也就是Zero-shot CoT，不提供具体样例，只加一句类似 “Let’s think step by step.” 下面这篇论文就证明了，光靠这种简单引导，也能显著提升多个推理基准上的表现。下图对比了Zero-Shot-CoT和Manual-CoT(Few-shot CoT)，左图就是Zero-Shot-CoT，不提供具体样例，只告诉模型Let's think step by step，让模型通过自己生成的推理链生成答案；右图为Manual-CoT，不是让模型先自己生成一条reasoning chain，而是先给它看一个人工写好的CoT示例，再让它模仿这种格式去做新题。
[2205.11916] Large Language Models are Zero-Shot Reasoners
CoT写出来的reasoning chain（推理链），并不一定忠实反映模型真正得出答案的过程；换句话说，CoT提高了表现，但不保证这些中间步骤就是"真实机制的解释"。因此他们提出把问题先翻译成符号推理链，再交给确定性求解器执行，以提升"faithfuIness"。
（1）Auto-CoT
Auto-CoT解决的不是“CoT不会推理”，而是“Few-shot CoT 很依赖人工写示例”。Auto-CoT的核心思想是：先做问题聚类，再从每类中选代表问题，用 Zero-shot-CoT 自动生成 reasoning chain，从而构造 demons