这篇论文的核心工作是提出了一种名为“链式思考提示”（Chain-of-Thought Prompting）的方法，旨在提升大型语言模型在复杂推理任务中的表现。具体来说，该方法通过在提示中加入一系列中间推理步骤的示例，引导模型逐步进行推理，最终得出答案。
提出链式思考提示方法： 该方法的核心思想是，在给语言模型提供少量的示例时，不仅展示输入和输出，还加入中间的推理步骤（即思维链），让模型学习如何分解问题并逐步推理。
实验验证： 作者在三个大型语言模型（包括PaLM）上，对算术、常识和符号推理等多种任务进行了实验，结果表明，链式思考提示方法在这些任务上都能显著提升模型的性能，尤其是那些需要多步骤推理的复杂任务。
深入分析： 论文还通过人工分析模型生成的推理链，研究了该方法起作用的原因，以及模型在推理过程中出现的错误类型，并发现随着模型规模的增大，链式思考提示的效果会更显著。
鲁棒性分析： 论文还探讨了链式思考提示方法在不同标注者、不同示例、不同示例顺序和不同语言模型上的鲁棒性，结果表明，该方法在多种情况下都表现出较好的效果。