Техника, при которой модель явно «проговаривает» промежуточные шаги рассуждения перед финальным ответом, что повышает точность на сложных задачах.
Chain-of-Thought (цепочка рассуждений) — это техника, при которой модель, прежде чем дать финальный ответ на сложный вопрос, явно генерирует промежуточные шаги рассуждения — как человек, решающий математическую задачу на бумаге, а не пытающийся сразу угадать ответ.
Эмпирически было обнаружено, что такой подход существенно повышает точность модели на задачах, требующих многошаговой логики: математических вычислениях, планировании, логических головоломках. Это происходит потому, что модель генерирует ответ последовательно, токен за токеном, и промежуточные рассуждения дают ей «место» для постепенного, а не мгновенного вывода правильного результата.
Современные «reasoning-модели» (специализированные версии LLM для сложных рассуждений) обучены генерировать развёрнутые цепочки chain-of-thought автоматически, без явной просьбы пользователя, что делает их более эффективными для задач вроде решения математических или инженерных проблем.
Часто достаточно явной инструкции в промпте вроде «объясни рассуждение по шагам» или «подумай пошагово перед ответом».
Для сложных многошаговых задач — как правило, да. Для простых вопросов эффект может быть незначительным или даже замедлять получение ответа без пользы для точности.
Reasoning-модель специально обучена и оптимизирована генерировать развёрнутые цепочки рассуждений автоматически, тогда как обычная модель делает это только по явной просьбе в промпте.