PreCoT：问题表征增强大语言模型推理

基于摘要分析。本文研究如何通过显式构建问题表征来增强大语言模型的推理，提出 Problem Representation Enhanced CoT（PreCoT）提示框架，将初始状态与目标状态的提取置于求解之前，而非仅改进推理步骤本身。 核心机制分为两个阶段：首先提取构成问题初始状态和目标状态的要素，形成结构化的问题表征；随后以该表征为依据开展求解。其思路借鉴认知心理学对人类问题解决的研究，与侧重问题分解、规划或解题过程的提示策略形成区别。摘要描述的是提示框架，具体提示模板、模型配置以及是否涉及额外训练尚未验证。 作者报告，在涵盖算术、常识与符号推理的多领域基准评估中，PreCoT 在 few-shot 和 zero-shot 两种设置下均在多数任务上优于 CoT；作者还报告，附加分析支持问题表征对推理的贡献。摘要未给出具体数据集、模型、分数、示例选择方式或推理成本，因此不能判断收益大小、跨模型稳定性及额外生成开销。实验协议、消融及统计信息尚未验证。 该工作的主要对象是大语言模型的文本推理，而非 EEG 信号建模或 BCI 解码。当前材料未提供问题表征机制与神经信号任务之间的具体对应关系，不据此推断其对 BCI 的有效性；已有 EEG 相关工作尚未检索确认。