CSCE：通过同时增强因果显著性和一致性来提升 LLM 推理能力

链式推理方法如思维链(CoT)在解决大型语言模型(LLM)的推理任务中发挥着日益重要的作用，但思维链推理步骤与相应状态转换之间的因果幻觉正在成为阻碍 LLM 推理能力进步的重要障碍，尤其是在长程推理任务中。本文提出了一种非链式推理框架，同时考虑因果显著性和一致性，即因果显著性和一致性增强器(CSCE)。我们定制 LLM 的损失函数，利用处理效应评估从两个方面增强其推理能力：因果显著性和一致性。这确保模型捕获关键因果关系，并在各种情景中保持稳健且一致的性能。此外，我们将推理过程从链式方法如 CoT 常见的多步骤推理转化为一次性输出整个推理过程的因果增强方法，进一步提高了模型的推理效率。广泛的实验表明，我们的方法提高了推理成功率和速度，这些改进进一步证明了非链式方法也能帮助 LLM 完成推理任务。