提出正确的问题：利用生成的垫脚石提升推理能力

近年来，大语言模型在解决数学和编程等复杂推理任务方面取得了显著进展。当面对无法一次性解决的更难任务时，构建能够辅助解题的中间“垫脚石”（如简化问题、替代框架或子问题）至关重要。本文通过 ARQ 框架，在默认推理流程中引入问题生成器，研究了现代推理大模型中垫脚石的属性与优势。研究表明，优质的垫脚石问题不仅存在且具有可迁移性，能显著提升不同能力模型的任务表现。此外，文章将垫脚石生成定义为后训练任务，证明可通过监督微调和强化学习在合成数据上微调模型，以生成更有用的垫脚石。