文章主要内容与创新点总结一、主要内容本文聚焦提示特异性（prompt specificity，即提示的详细或模糊程度）对大型语言模型（LLMs）推理性能的影响，提出了DETAIL（Degree of Explicitness in Textual Assembly for Instruction-based LLM Reasoning）框架，用于系统评估不同提示特异性水平下的模型表现。核心研究问题：探索提示特异性（从模糊到详细）如何影响LLMs在各类推理任务中的准确性，以及这种影响在不同模型、不同提示策略下的差异。研究方法：生成多水平提示：通过GPT-4生成高度详细的初始提示，再经迭代API调用将其逐步泛化为模糊程度递增的版本（3个水平：详细L3、中等L2、模糊L1），同时保持语义完整性。特异性量化：采用困惑度（perplexity）作为衡量指标，高困惑度对应详细提示，低困惑度对应模糊提示。多维度评估：在GPT-4和ChatGPT O3-mini两款模型上，结合基线、思维链（CoT）、规划-求解（Plan-and-Solve）、自一致性（Self-Consistency）四种提示策略，对涵盖数学应用题、逻辑谜题、常识推理等5类的30个全新推理任务进行测试；通过GPT-3.5的语义等价性判断计算模型输出的正确性。关键发现：提示特异性提升与模型准确率正相
