论文1：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models （ICLR）
思维链是一系列导致最终输出的中间自然语言推理步骤，我们将这种方法称为思维链提示。
作者在算术、常识和符号推理上进行了实验，表明思维链提示优于标准提示，而且有时达到了惊人的效果。
模型参数规模：
大模型参数和显存换算：https://blog.csdn.net/Johntill/article/details/132629075?spm=1001.2014.3001.5506
论文2：Generalizable Chain-of-Thought Prompting in Mixed-task Scenarios with Large Language Models
作者将现有的cot方法分为：General Zero-Shot-CoT and Specific Few-Shot-CoT
并认为，前者具有很好的泛化性能，但是在具体任务上表现时又比后者差很多；而后者的泛化性能不好。
而且，现实场景中，很多任务都是混杂在一起的，无法具体区分属于哪一种任务，因此作者提出了一个新任务：混合场景下的COT问题，并在泛化和性能之间取了一个折中。
