与之前的语言模型相比，这是Minerva在数理问题上表现更好的原因之一。
但与专门做数学题的AI相比，Minerva的训练中没有显式的底层数学结构，这带来一个缺点和一个优点。
缺点，是可能出现AI用错误的步骤得到正确答案的情况。
优点，是可以适应不同学科，即使有些问题无法用正规的数学语言表达出来，也可以结合自然语言理解能力解出来。
到了AI的推理阶段，Minerva还结合了多个最近谷歌开发的新技术。
先是Chain of Thought思维链路提示，今年一月由谷歌大脑团队提出。
具体来说就是在提问的同时给一个分步骤回答的示例来引导。AI在做题时就可以采用类似的思考过程，正确回答本来会答错的题目。
再有是谷歌和MIT合作开发的Scrathpad草稿纸方法，让AI把分步计算的中间结果临时存储起来。
最后还有Majority Voting多数表决方法，也是今年3月才发表的。
让AI多次回答同一个题目，选择答案中出现频率最高的。
所有这些技巧全用上以后，5400亿参数的Minerva在各种测试集中达到SOTA。
甚至80亿参数版的Minerva，在竞赛级数学题和MIT公开课问题中，也能达到GPT-3最新更新的davinci-002版本水平。
