Many-Shot CoT-ICL：让上下文学习真正实现学习

本文研究了长上下文模型中多示例思维链上下文学习（CoT-ICL）的推理能力。研究发现，标准的多示例规则在推理任务中并不适用：增加演示数量对非推理模型效果不稳定，且基于相似度的检索无法预测过程兼容性。作者提出将 CoT-ICL 视为上下文测试时学习，并据此提出曲线演示选择（CDS）方法，通过优化演示顺序显著提升了几何推理性能。该研究将长上下文窗口重新定义为结构化课程，而非单纯的检索缓冲。