Awesome-LLM-Reasoning是一个精选的资源和论文集合，旨在深入探索LLMs与MLLMs的推理能力。覆盖方法论、技术研究和实证分析等多个领域，提供最新的研究动态和技术解析，助力学术和技术人员加深对这些模型的理解。

BABILong是一个用于评估自然语言处理模型长文本处理能力的基准测试。它将bAbI数据集的任务句子隐藏在PG19背景文本中，生成长达数百万标记的测试样本。该基准包含20个推理任务，涉及事实链接、归纳、演绎和计数等多个方面。BABILong为评估和改进大语言模型的长文本处理能力提供了有效工具，同时也对现有长文本模型提出了挑战。

PanelGPT通过引入专家小组讨论的零样本提示词，有效提升了语言模型在复杂任务上的表现。通过使用gpt-3.5-turbo进行评估，其在GSM8K数据集上的表现突出，验证了该方法的有效性。综合专家讨论模式与自洽性理论，帮助模型更准确地理解和解决问题，为语言模型的推理能力提供了新方案。

Progressive-Hint项目开发了一种名为PHP的新方法，通过渐进式提示增强大型语言模型的推理能力。这种方法简单有效，可与Chain-of-Thought和Self-Consistency等现有技术结合。PHP在AQuA、SVAMP、GSM8K和MATH等多个推理数据集上展现出卓越性能，尤其在GSM8K数据集上结合Self-Consistency达到96.5%的最佳成绩。项目提供开源PyTorch实现，为研究人员和开发者提供了实用工具。

ExecuTorch 提供端到端解决方案，实现移动和边缘设备上的推理能力，涵盖穿戴设备、嵌入式设备和微控制器。作为 PyTorch Edge 生态系统的一部分，ExecuTorch 通过轻量级运行时，利用硬件能力（如 CPU、NPU 和 DSP），高效地将 PyTorch 模型部署到多种平台。其主要优势包括：广泛的兼容性、开发效率和出色的用户体验。欲了解更多技术细节和教程，请访问文档网站获取最新版本。

本项目全面综述了链式思维推理(Chain of Thought Reasoning)领域的研究现状,包括最新进展、前沿挑战和未来方向。内容涵盖CoT在数学推理、常识推理等领域的应用,以及相关基准测试集。同时分析了CoT的核心机制,如提示工程和多模态推理。对于研究人员和从业者而言,这是了解CoT最新动态的重要参考资源。

Chain-of-ThoughtsPapers项目收集了大型语言模型推理能力研究的关键论文。涵盖从基础到前沿的多个主题，如零样本推理、多模态推理和模型自我改进等。这些研究揭示了语言模型在复杂推理任务中的潜力，推动了自然语言处理领域的发展。项目持续更新，反映领域最新进展，为研究人员和开发者提供重要参考资料。