Beyond Chain-of-Thought: A Survey of Chain-of-X Paradigms for LLMs

Chain-of-Thought（CoT）已经成为广泛采用的提示方法，引发了大型语言模型（LLM）出色的推理能力。受到CoT的顺序思维结构的启发，已经开发了许多Chain-of-X（CoX）方法，以解决涉及LLM的不同领域和任务中的各种挑战。在本文中，我们提供了关于不同上下文中LLM的Chain-of-X方法的全面调查。具体而言，我们按节点的分类法，即CoX中的X和应用任务进行分类。我们还讨论了现有CoX方法的发现和影响，以及潜在的未来方向。我们的调查旨在为寻求将CoT的想法应用于更广泛场景的研究人员提供详细和最新的资源。

对Chain-of-X方法进行全面的调查和分类，以解决LLMs在不同领域和任务中的挑战。

通过将CoT思想应用于不同的领域和任务，提出了不同类型的CoX方法，以解决LLMs的挑战。

论文根据节点类型和应用任务对CoX方法进行分类，并讨论了现有方法的发现和潜在的未来方向。实验使用了多个数据集，并提供了开源代码。值得深入研究的工作包括如何进一步改进CoX方法以提高LLMs的性能。

最近的相关研究包括“GPT-3”、“GShard”和“Turing-NLG”。