文章总结与翻译一、主要内容本文针对大型语言模型（LLMs）在复杂推理任务中存在的推理路径多样性不足、搜索分支冗余、跨异质路径整合与纠错不充分等问题，提出了一种名为多链图细化与选择（MGRS）的新型推理框架。该框架包含四个核心阶段：差异化推理链生成：为给定问题生成多条多样化推理轨迹，涵盖正向和反向推理路径，并通过重复采样提升稳定性；复合验证与细化：整合链内自验证（检查逻辑一致性和计算准确性）与链间交叉验证（评估结果一致性并修正分歧），修复推理错误；推理关系图构建：基于验证后的推理链构建有向无环图（DAG），合并相似子步骤，明确逻辑依赖关系并估计各节点的单步成功率；答案与推理策略选择：通过拓扑排序传播节点累积成功率（单父节点取乘积，多父节点采用Noisy-OR聚合），选择累积成功率最高的答案及对应推理轨迹。实验结果显示，MGRS在涵盖数学推理、逻辑推理、知识密集型推理和多跳推理的六个基准数据集上平均准确率达82.9%，超越现有最优基线2.1%；在24点游戏任务中首次实现100%准确率，且相比Forest of Thoughts框架提速13.6倍，同时在不同轻量化模型上均展现出稳定的性能提升。二、创新点差异化推理链设计：通过差异化提示引导模型从不同视角探索推理路径，结合正向与