过程内上下文学习：通过动态示例插入增强数学推理

上下文学习（ICL）已在多种大语言模型（LLM）任务上被证明非常有效。然而，它在增强需要逐步逻辑演绎的任务（如数学推理）方面的潜力仍未被充分探索。现有 ICL 方法的一个核心局限是对示例的静态使用：示例在推理前预先选定并保持固定，无法适应多步推理中经常出现的动态困惑点，例如含糊的计算或逻辑缺口。这些未解决的困惑点可能引发级联错误，降低最终准确率。为解决这一问题，我们提出过程内上下文学习（PICL），一个通过响应实时推理需求来增强数学推理的动态示例集成框架。PICL 分两个阶段运作：1) 它通过分析推理过程中的语义与熵来识别潜在困惑点，并总结其核心特征；2) 在遇到这些点时，从示例池中检索与困惑上下文匹配的相关示例，并直接插入正在进行的推理过程以引导后续步骤。实验表明，PICL 通过缓解推理中段的困惑超过基线方法，凸显了自适应示例插入在复杂数学推理中的价值。