因果充分性与必要性提升思维链推理

思维链（CoT）提示在大语言模型（LLM）的复杂推理能力中扮演着不可或缺的角色。然而，当前CoT面临两个基本挑战：（1）充分性：确保生成的中间推理步骤全面覆盖并证实最终结论；（2）必要性：识别对结果答案严谨性真正不可或缺的推理步骤。

研究提出一种因果框架，通过充分性和必要性的双重视角来刻画CoT推理。结合因果充分概率和必要概率，不仅能够确定哪些步骤在逻辑上对预测结果充分或必要，还能量化它们在不同干预场景下对最终推理结果的实际影响，从而实现自动添加缺失步骤和修剪冗余步骤。

在多个数学和常识推理基准测试上的广泛实验结果证实，该方法在不牺牲准确性的前提下，显著提高了推理效率并减少了token使用量。这项工作为提升LLM推理性能和成本效益提供了有前景的方向。

主题分类：计算与语言（cs.CL）；人工智能（cs.AI）；统计理论（math.ST）；方法学（stat.ME）

引用信息：arXiv:2506.09853 [cs.CL]
DOI：https://doi.org/10.48550/arXiv.2506.09853