본 논문은 Chain-of-Thought (CoT) 프롬프팅이 복잡한 수학 문제 해결에 어려움을 겪는 이유를 세 가지 오류(의미 오류, 계산 오류, 단계 누락 오류)로 분석하고, 특히 기존 연구에서 간과된 의미 오류 해결에 초점을 맞춘 새로운 방법인 Deeply Understanding the Problems (DUP)을 제안합니다. DUP은 LLM이 문제를 깊이 이해하고 핵심 정보를 추출하여 추론 성능을 향상시키는 데 중점을 두며, 10개의 다양한 추론 벤치마크에서 기존 방법들을 상당한 차이로 능가하는 성능을 보였습니다. 특히 GSM8K 벤치마크에서 Zero-shot 설정 하에 97.1%의 정확도라는 새로운 최고 성능(SOTA)을 달성했습니다.
