发散诱导提示：用于零样本推理的多理由归纳

为了解决标准思维链提示中无引导推理路径的不稳定性，近期方法通过首先激发单一推理策略来指导大语言模型（LLMs）。然而，仅依赖单一策略仍可能限制在多样化任务中的性能。本文提出发散诱导提示（DIP）框架，首先提示LLM为每个问题生成多个多样化的高层理由，然后将每个理由扩展为详细的逐步草案计划，最终将这些草案计划归纳为最终计划。DIP在无需资源密集型采样的情况下提升了零样本推理准确性。实验表明，DIP优于单一策略提示，证明了基于提示的推理中多计划归纳的有效性。