待验证50% 置信事实时间未知
现代大型模型通过学习逐步分解问题并在训练中验证中间步骤（Chain-of-Thought推理机制），显著提升复杂数学问题的表现
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
相关事实
待验证贝尔曼方程将长期累积奖励的优化问题分解为可递归求解的子问题，奠定了Q-learning、策略梯度等经典算法的理论根基78% 相似待验证研究表明拥有准确心智模型的学习者在面对新问题时能更快推理出解决方案76% 相似待验证Chain-of-Thought 技巧在数学推理和代码生成任务上能显著提升模型准确率，尤其对参数规模超过 100B 的大模型效果最为突出76% 相似待验证思考模型在输出前会经历内部链式推理（Chain-of-Thought）过程，在数学证明、代码调试、复杂逻辑推理等任务上表现优于标准模型，代价是延迟更高、计算成本更大76% 相似待验证轻量模型通过知识蒸馏、量化等技术压缩参数规模，在推理速度和成本上优化，但在复杂逻辑推理和长上下文理解上有所让步75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/56545API
curl https://kongchang.com/api/v1/knowledge/claims/56545MCP
get_claim(id=56545)