做法只有一句话：提示词里的示例，从「问题 + 答案」换成「问题 + 推理过程 + 答案」。论文第一页那张图画的是两件事，上下两半，这两半说的不是一回事。
标准提示的示例里带着推理过程，思维链的示例里只有答案。这一点很反直觉：示范推理的那一组，示例里反而写得更详细。
作者的解释是，标准提示给的是「陈述式的」推理（他告诉你答案是怎么算出来的），思维链要的是「问题分解式的」（先拆成可逐步执行的步骤）。给模型的示范形态，决定了它输出时模仿哪种形态。
作者还专门说明了为什么叫「思维链」而不是「解题过程」：这条链模仿的是一步步思考的过程，而解题过程与解释通常放在答案后面，位置正好相反。
推理时实际怎么跑
思维链的推理流程短得出奇，这也是它能被广泛采用的原因。
| 步 | 做什么 |
|---|---|
| 1 | 把问题接到提示词末尾 |
| 2 | 模型逐词生成，每一步都把前面自己生成的内容当作上下文 |
| 3 | 生成到句号时停下，答案就出来了 |
第 2 步是唯一的关键：模型在生成「3 + 6 =」的时候，前文里已经有「原本 23 个，用掉 20 个还剩」，它是在接着自己的话往下写，不是在凭空猜答案。
这套流程没有任何额外组件，不需要检索、不需要打分、不需要验证器。这也是它跟后面几篇最大的差别：思维树要加状态评估器和搜索算法，自我一致性要采样四十条，反思机制要评测者和记忆，思维链只要改提示词。
贪心解码（每步取概率最高的词）会让模型走进一条局部最优的路出不来，这是后续那几篇要解决的问题。这篇自己没有提这一点，它只报告了方法有效。
示范不带推理，输出却带推理，这个反差就是方法生效的机制。提示词里只给结论，模型要答对就只能自己把中间步骤推出来；提示词里给了推理，模型照抄一遍就行，不必自己走这条路。
论文第一页那张图还记录了一次具体输出：对「食堂原本 23 个苹果，用 20 个做午饭，又买 6 个」这道题，思维链输了一次，输在答了 27，标准提示答对了 9。思维链让模型做对的是它本来做不对的题，但它并不在每一道题上都赢，哪道赢哪道输取决于那道题的推理链条有多长。
论文记录的那次对照只有单次输出，没有给概率。单次输出说明不了方法的稳定性，方法层面的效果要看后面「涌现」与「三类任务」那两块的统计。
作者在介绍方法之后单独列了四条，构成本篇的论证骨架。
| 性质 | 说的是什么 |
|---|---|
| 算力可以按需分配 | 多步问题能被拆成中间步骤，需要更多推理的题目就多花算力 |
| 提供一个可解释的窗口 | 能看出模型怎么走到这个答案，也能定位推理在哪一步错了 |
| 适用面可能很宽 | 原则上凡是人类能用语言解的任务都可能用得上 |
| 不需要训练就能诱导出来 | 只要在示例里放几个带推理过程的例子，足够大的模型就出来了 |
第 2 条作者留了个限定，值得原样记住：能看到推理链不代表能刻画模型的计算，「完整刻画一个模型支撑某个答案的计算过程仍是开放问题」。所以「可解释」这个词在这篇里是打了折的。
第 1 条正是后面消融要检验的假设，多花算力本身有没有用。第 2 条又在「这篇没回答什么」里被反过来质疑。原文这三处是前后呼应的：先提出性质，再用消融检验，最后承认没做到。
作者把两个已有想法拼在一起，各自补上了对方的短板。
这两个短板是同一个方向上的：要能力就得重训，不要能力就没法用。这篇的贡献就是把两者的长处接在一起：用少样本提示的形态承载需要中间步骤的推理能力，且零训练成本。
证据的重量集中在算术上。5400 亿参数的模型配八个思维链示例，在 GSM8K 这个小学应用题基准上达到了当时的最好成绩，超过了专门微调过的 GPT-3（还带验证器）。这个对比是关键：思维链没有训练任何参数，却在数学任务上超过了训练过的模型。
「标准提示不够用」这个前提，依赖的是当时的模型规模与任务设定。作者没有论证这个结论在今天的模型上还成不成立。后来的模型在标准提示下的表现已经大幅提高，这个对照的基准线变了。
这是全文最要紧的一处发现，也是标题里「Elicits Reasoning」的真正含义。
作者把小模型的失败做过一次手工归类，读了 PaLM 62 亿参数的 45 个错误，分成语义理解错误（20）、漏掉一步（18）、其他（7，含幻觉、重复输出、符号映射错误）。「通顺但不逻辑」这个现象很关键：它说明模型不是在模仿推理的表面形式，而是在真的走一步算一步，只是步子迈错时自己察觉不到。
这个发现的连带含义比发现本身更重要：标准提示下的平坦曲线，不等于模型没有这个能力。作者的原话是「思维链提示似乎扩展了大模型能成功完成的任务集合，换句话说，我们的工作凸显了标准提示只提供了大模型能力的一个下界」。
「涌现」这个词在后续研究里争议很大：有工作认为曲线之所以看起来是突变的，是因为评测指标用了离散档位，把连续变化量化成了跳变。这篇论文没有回应这个质疑，它只给出了曲线，没有解释为什么是那个形状。
作者做了三组对照，把「思维链有效」这件事拆成几个可能的原因，逐个排除。
| 假设 | 检验方式 | 结果 |
|---|---|---|
| 只是多给了计算量 | 让模型输出一串点数，长度等于解题需要的算式字符数 | 与标准提示基本持平。多花算力本身没用，用自然语言表达中间步骤才有用 |
| 只是让模型更容易想起预训练里学过的知识 | 把推理过程放在答案之后，这样推理没能影响答案 | 与标准提示基本持平。说明模型确实依赖自己刚生成的那串推理，不是事后联想 |
| 只是把题目翻译成算式 | 只要求输出算式，不写自然语言推理 | 应用题基准上几乎没提升。但一步两步的小题目上有效，因为那种题确实能直接从题意翻成算式 |
第三组结果最有意思。小学应用题基准上的题目语义复杂，必须先用自然语言想一遍才能落成算式；而简单应用题不用这层中间解释。所以「有效」不是全有全无，而是取决于题目是否需要先理解题意。
三组消融都是在算术任务上做的。对常识与符号推理，中间步骤起作用的机制是否相同，论文没有验证。
作者在三类任务上验证，结论不是「思维链在哪都灵」，而是它的适用边界跟着任务的推理结构走。
算术是最典型的。多步应用题，每一步都有明确的因果，模型只要不掉步就能算对。这里思维链的收益最大。
常识推理（CSQA、StrategyQA、日期理解等五个数据集）用的是同一个提示，但推理形态完全不同：不是数值演算，是「因为 A 所以 B」这类自然语言推断。作者的判断是思维链的语言性质让它能覆盖这一类，因为常识推理要的本来就是语言化的中间解释。
符号推理里有两个玩具任务：取人名末字母拼接、抛硬币后判断正反面。作者报告思维链不只让模型做对了这类任务，还带来了长度上的分布外泛化，推理链比示例里更长的输入也能处理。这是三项里唯一一个「能力边界被拓宽」的证据，不只是「同任务做得更好」。
三项任务的评测都在 2022 年的模型上做，题目都是短文本。这套方法在长上下文、代码、多轮任务上还成不成立，这篇没有证据。
论文说了「百亿量级开始生效」，但没给机制。附录里那句「这个问题必然是多面的，我们只做了一次初步的错误分析」是作者的原话。他知道这只是猜测，没有当成结论。
作者自己列了这条：思维链不保证推理路径正确，同一条错误的推理可能推出正确答案，也可能推出错误答案。论文提到当时有研究在用这个方向改进事实性生成，但这里没做。这一条最要紧：思维链提升的是「算对的机会」，不是「想对的保证」。
原文是「尽管思维链模仿了人类推理者的思维过程，但这并不能回答神经网络是否真的在推理，我们把这留作开放问题」。这句话放在今天看仍然成立。
少样本场景下手写思维链很便宜，但要做微调，这种标注成本就吃不消了。而思维链又只在超大模型上生效，也就是最贵的那批模型。作者把「怎么在小模型上诱导出推理」列为未来工作，没有给方案。
全文的评测都建立在「标准提示是合理的对照」这个前提上。如果对照本身偏弱，「思维链超越了被微调的模型」这个结论的强度就要打折。