教学启发的综合提示框架：一种提升大型语言模型推理能力的新方法

大型语言模型（LLMs）在各个领域表现出色，但在算术推理任务上仍面临挑战。近期的研究表明，通过精心设计提示可以有效提升其推理能力。然而，这些方法忽略了成功解决大多数算术推理问题所需的先验知识，包括特定的概念、定理和技巧。为了解决这一问题，我们提出了一种新颖且有效的教学启发式集成框架，该框架模拟了教师指导学生的过程。这种方法使大型语言模型具备了必要的概念、相关定理以及类似问题的相似解法，从而促进了其推理能力的提升。此外，我们还引入了两个新的中文数据集——MathMC和MathToF，这两个数据集均包含详细的解释和答案。我们在九个基准测试中进行了实验，结果表明我们的方法提高了大型语言模型的推理准确性。结合GPT-4和我们的框架，在四个数学基准测试（AddSub、SVAMP、Math23K和AQuA）中实现了新的最先进性能，准确率分别为98.2%（+3.3%）、93.9%（+0.2%）、94.3%（+7.2%）和81.1%（+1.2%）。我们的数据和代码已发布在https://github.com/SallyTan13/Teaching-Inspired-Prompting。