推理链：通过多范式视角实现大型语言模型中的统一数学推理

这篇论文介绍了一项突破性的框架，名为Chain-of-Reasoning (CoR)，旨在增强大型语言模型中的数学推理能力。这种创新性方法之所以引人注目，是因为它结合了三种不同的推理范式：自然语言推理、算法推理和符号推理。CoR的独特之处在于它能够利用这些范式生成多个潜在解决方案，然后将它们综合成一个连贯的最终答案。作者还提出了一种独特的渐进范式训练策略，系统地训练模型掌握每种推理风格。由此产生的模型，CoR-Math-7B，在复杂任务如定理证明和算术问题中表现出色，明显超越了当前最先进的模型。这个模型不仅在数学理解方面表现出显著改进，还展示了在没有特定训练的情况下跨任务泛化的惊人能力。对于任何对人工智能未来及其在数学问题解决中的能力感兴趣的人来说，这篇论文代表了一次重大飞跃。- 介绍了一种新的统一框架Chain-of-Reasoning (CoR)，整合多种推理范式，实现协同合作。 - CoR使用不同的推理范式生成多个潜在答案，并将它们综合成一个连贯的最终解决方案。 - 提出了渐进式范式训练（PPT）策略，使模型逐步掌握这些范式，最终发展出CoR-Math-7B。 - CoR-Math-7B在定理证明任务中相对于GPT-4取得了41.0%的绝对改进，在算术任务中相对于基于强化学习的方法取得了7.9%的改进。 - 模型在数学综合能力上有显著提升，实现了特定任务上的性能提升，并实现了任务间的零-shot泛化。