推理模型

讨论推理模型与思维链的条目。推理服务与部署仍归 inference,两者不是别名。

arXiv cs.AI81

DoubtLess:无需训练的高效推理对比解码

推理模型通过较长的思维链(CoT)取得强劲性能,但通常会使用超出解题所需的词元数量。现有的 CoT 缩短方法需要针对每个模型进行额外训练、向模型的隐藏状态添加固定的引导向量,或采用提前停止、禁止使用“wait”等词语的解码启发式方法,而这些方法可能会降低准确率。我们提出 DoubtLess,这是一种无需训练的解码方法,通过一个小得多的推理模型引导大型模型生成更简洁的内容。小模型会读取大型模型截至当前的 CoT 两次:一次被提示要简洁(简洁思考者),另一次被提示要详细(详细思考者);然后将其两次 logit 向量之差乘以一个强度系数,并在 CoT 的每一步将结果加到大型模型的 logits 上。在涵盖竞赛数学、研究生水平科学和竞赛编程的七个基准测试中,DoubtLess 在准确率不变的情况下将 Qwen3-32B 的 CoT 缩短了 31%,优于五种推理时基线方法。我们还表明,在一个自调试编码智能体中,DoubtLess 在任务表现不变的情况下,将每轮思考词元数减少了 20%。在另外两个模型系列上,它同样实现了准确率不变的泛化效果。与基于训练的压缩方法结合后,它还能进一步缩短已经接受简洁性训练的模型的 CoT。消融实验和行为分析表明,DoubtLess 减少了重复检查,而大部分词元节省发生在 CoT 中首次出现正确答案之后。我们的代码可访问:https://github.com/leoluolol/DoubtLess。

arXiv cs.AI75

通过提问找到出路:通过广义谜题求解对多轮知识推理进行基准测试

由于谜题在部分信息下设定了可验证的目标,并要求通过多步决策达到解决方案,因此它们为大型语言模型(LLMs)的推理能力提供了天然的测试平台。然而,现有的谜题基准通常聚焦于机制僵化、解答目标高度受限的狭窄环境。为弥合这一差距,我们提出了 Active Probing Benchmark(APB),通过将概念识别构建为一种交互式推理任务,将专业知识评估融入谜题场景,从而推广谜题求解。具体而言,APB 评估模型能否通过多轮主动探测与推理获取信息,从八个多样化的学术领域中精准识别出 960 个具有专业难度的目标概念。我们的评估揭示了一个违反直觉的现象:大多数开源推理模型的表现显著逊于其标准指令模型对应版本。这一发现表明,在交互式场景中,这些模型难以运用程序性推理,可靠地获取和应用专业领域知识。除这些实证发现外,APB 还提供了一套可扩展的流程,用于生成能够在多样化场景下探测交互式知识推理能力的基准。

arXiv cs.AI79

MCPDisCo: Seesaw-Mitigated Tuning for MCP-Native Agents

The Model Context Protocol provides a shared interaction substrate for the agentic web, allowing heterogeneous services to expose capabilities through a standardized interface. Learning to use this ecosystem entails a hierarchy of capabilities: tool-format skills, server-level transfer, and cross-server composition. We present MCPDisCo, an ecosystem-scale reinforcement learning framework for MCP-native agents. Using a Thought-Markov Decision Process (Thought-MDP), the framework explicitly represents internal reasoning alongside routing, execution, and termination and trains on real-server, long-horizon interactions spanning 70 MCP servers and 527 tools across six domains. We study the reasoning--tool seesaw, a joint-learning failure mode in which improvement in one objective can accompany deterioration in the other. To mitigate potential interference, MCPDisCo combines token-masked reward attribution with bidirectional gradient surgery: the former separates direct supervision for reasoning and action spans, while the latter removes conflicting components from both objective gradients in shared parameters. MCPDisCo achieves higher success with fewer chain-of-thought tokens. On the out-of-distribution MCP-Atlas and the GAIA benchmark, MCPDisCo maintains monotone gains, confirming that the learned behavior generalizes beyond the training server distribution and broader agentic tasks. Model weight and implementation are available.

arXiv cs.AI78

Structural Chain-of-Thought: Reasoning with Executable Computational Graphs

Chain-of-thought prompting enables reasoning in large language models but produces explanations that are difficult to verify, expensive to generate, and not always faithful. We introduce a Structural Chain-of-Thought framework where models generate executable computational graphs instead of free-form reasoning. The final answer is obtained by deterministically executing the graph. The model is trained using graph-based reinforcement learning that rewards structural validity, answer correctness, and node overlap with reference graphs. Experiments across five benchmarks and four model families show that our method consistently improves accuracy over supervised graph training and can reduce generation length by up to 5-6x compared with standard GRPO and chain-of-thought supervised training. Our faithfulness experiments reveal that models trained with our approach tend to rely on deriving their answers from the generated graphs rather than producing post-hoc rationalizations as usually in chain-of-thought reasoning.

The Verge AI72

Microsoft 的新 AI 芯片降低了对 Nvidia GPU 的依赖

Microsoft 今天宣布推出第三代自研 AI 芯片 Maia,旨在成为 Microsoft 产品和服务的“主要 AI 推理系统”。Maia 300 不仅提高了在云端运行 AI 工作负载的成本效益和效率,还更擅长处理最新的推理模型和智能体任务。Maia 300 将 […]

arXiv cs.LG74

REDaCT:大型推理模型中的无崩溃遗忘

arXiv:2610.12769v1 公告类型:新论文 摘要:大型推理模型(LRMs)中的遗忘要求同时从推理轨迹和最终答案中移除遗忘集信息。现有方法以推理崩溃为代价实现这一目标,即模型无法生成连贯的思维链(CoT),也无法正常终止其推理过程。为应对这一挑战,我们提出 REDaCT(REgenerate via Detection and Corrective Tuning),一个面向 LRMs 的推理时遗忘框架。REDaCT 由两个关键组件构成:(1)一个二元泄露检测器,用于识别推理轨迹中泄露遗忘集信息的句子;(2)一个嵌入优化模块,通过离线学习获得纠正嵌入,在推理过程中首次检测到泄露时注入该嵌入,从而引导后续推理生成不泄露遗忘集信息的句子。实验结果表明,REDaCT 完全避免了推理崩溃,与最先进的遗忘方法相比,大幅提升了推理能力的保留程度,同时实现了完全的答案遗忘和近乎完全的 CoT 遗忘。我们的代码已公开:https://github.com/jmaccoby/redact。

arXiv cs.AI78

注入一个轮次,而非一个词元:学习在何处重定向 LLM 推理以实现自我纠错

大语言模型难以可靠地识别并纠正自身推理中的错误。以往基于训练的方法通过微调 LLM 来生成修订或反馈,而我们学习的是在失败的生成轨迹中何处进行干预,以及如何重定向这些轨迹。为选择干预位置,我们在冻结的编码器上训练一个具有 13 万参数的 MLP 头,仅以最终答案的正确性作为监督信号。在重定向方面,我们发现,在固定的生成预算下,所测试的行内注入无法可靠地重定向推理,而在新的用户轮次中呈现同一条指令则能改变模型的推理走向。由此得到的纠错框架 UPTURN(在学习得到的位置注入用户提示轮次)无需微调 LLM:它保留选定的前缀,将指令作为新的用户轮次注入,并重新生成后缀。在四个推理模型和六个数学基准测试中,UPTURN 在所有设置下的平均准确率均高于生成 32 条轨迹的基线。在相同的纠错预算下,它优于自我纠错和反思词元注入基线;无需重新训练即可迁移至其他推理模型及 GPQA-Diamond,并可与 GRPO 和自我纠错方法互补。

arXiv cs.AI70

SpatialASM: Internalizing Active Mentalization for Spatial Reasoning

When solving complex spatial reasoning tasks, ordinary humans naturally revisit the scenes from task-relevant viewpoints and mentally reconstruct the spatial layouts from those viewpoints. But can Large Vision-Language Models (LVLMs) proactively think in the same way? We term this ability Active Spatial Mentalization (ASM), an intrinsic component of visual intelligence that remains substantially underdeveloped in current LVLMs. To bridge this gap, we introduce SpatialASM, a scalable framework to internalize ASM into LVLMs through training-time spatial simulation. SpatialASM employs an allocentric novel-view generator to ground hypothetical viewpoints in visual evidence and produces two complementary forms of supervision: i) explicit ASM trajectories that teach LVLMs when and how to adaptively invoke view planning and imagination during spatial reasoning, and ii) automatically-constructed perspective-taking tasks that further strengthens viewpoint-conditioned scene imagination. On seven benchmarks spanning relatively perception-oriented spatial understanding to more challenging tasks requiring multi-image, cross-view and viewpoint-transformation reasoning, SpatialASM yields performance gain on LVLMs of four LVLM backbones in spatial reasoning while retaining their original general vision capabilities. The experimental results demonstrate that our approach improves average accuracy across the seven spatial benchmarks. And the synthesis of ASM trajectories provides a scalable pathway to alleviate the scarcity of spatial Chain-of-Thought (CoT) supervision for eliciting active viewpoint exploration and mental scene simulation.

arXiv cs.AI73

语言模型能玩 Wikipedia Game 吗?

语言模型越来越多地被用于辅助或自动执行信息检索,从规模过大、难以建立索引的文档集合中查找信息。当这项任务需要专业的语言学或科学知识时,就会变得困难。我们使用 Wikipedia Game,在一项类似的信息检索任务中测试语言模型。在该游戏中,玩家必须仅通过文章链接到达目标文章。我们在五种语言的 Wikipedia 和五个学术文献数据集上,对句子嵌入模型和大语言模型(LLM)进行了比较。我们构建了超大规模的 Wikipedia 页面本地图结构,并利用 OpenAlex 构建了论文引用本地图结构,同时提供了构建和导航这些图结构的代码。这使得研究者无需依赖第三方 API,即可研究语言模型的导航能力。我们将这些模型与人类和 TF-IDF 基准进行了比较。Wikipedia Game 的形式支持跨技术、语言和领域的稳健比较。没有任何模型显著优于人类,但表现最好的模型(GPT-o3 mini、GPT-4o、QwQ:32B 和 DeepSeek-R1:70B)取得了与人类相当的成功率。模型的表现和排名随语言和主题而变化,这对采用这些技术的实践者具有参考意义。

arXiv cs.AI80

SWE-Critix:通过后训练构建评估编程智能体轨迹的通用验证器

编程智能体正日益被部署用于端到端软件工程任务,而这类任务往往缺乏可直接使用、能够界定成功标准的预言式评估器。因此,有必要为编程智能体构建能够可靠判断并解释其行为的验证机制。然而,随着编程智能体解决长时程软件工程任务的能力不断增强,验证也变得颇具挑战。其执行轨迹可能极其冗长,包含与代码仓库和外部工具的数百次迭代交互。现有验证器要么依赖未经专门训练的通用大语言模型,要么训练主要侧重于生成标量奖励的专用评判器,这表明基于训练的通用验证方法仍未得到充分探索。我们提出 SWE-Critix,这是一个用于训练编程智能体轨迹通用验证器的后训练流程。给定任务及其执行轨迹,训练得到的验证器会预测任务完成标签,并生成自然语言分析来解释其判断。我们的流程将监督微调(SFT)与强化学习(RL)相结合,使用来自 CodeForge-Preview 的轨迹训练了一系列 300 亿参数模型。在预留测试集上,SWE-Critix 将基础推理模型 Qwen3-30B-A3B 的分类准确率从 57% 提升至 SFT 后的 66%,并在 RL 后进一步提升至 78%。我们公开了模型、数据集和训练代码,以促进后续研究。

arXiv cs.LG79

迈向合理的概念瓶颈模型

arXiv:2506.05014v3 发布类型:替换 摘要:我们提出了一种新颖、灵活且高效的框架,用于设计概念瓶颈模型(CBM),使实践者能够在模型进行预测时,将其关于概念—概念($C-C$)关系和概念—任务($C \to Y$)关系的先验知识与信念显式编码并扩展到模型的推理过程中。由此得到的概念推理模型(Concept REAsoning Models,CREAMs)能够在架构层面编码任意类型的 $C-C$ 关系,例如互斥关系、层级关联和/或相关性,以及可能较为稀疏的 $C \to Y$ 关系。此外,CREAM 还可以选择性地纳入一个经过正则化的旁路通道,以补充可能不完整的概念集合,在保持具有竞争力的任务性能的同时,促使预测以概念为依据。为评估此类设置下的 CBM,我们提出了一种与 $C \to Y$ 无关的指标,用于量化预测部分依赖旁路通道时的可解释性。在实验中,我们表明,在不增加额外计算开销的情况下,CREAM 模型支持高效干预,能够避免概念泄漏,并在概念缺失时达到黑盒级别的性能。我们进一步分析了可选旁路通道对可解释性和可干预性的影响。重要的是,即使在仅有有限数量概念可用的场景中,旁路通道也能使 CBM 保持有效。

arXiv cs.LG74

Lapras:时间序列语言模型的潜在推理

arXiv:2610.11111v1 公告类型:cross 摘要:时间序列语言模型(TSLMs)通过对时间信号进行推理并生成自然语言答案和解释,为理解时间序列提供了一条有前景的路径。一种常见方法是思维链(Chain-of-Thought,CoT),即生成将相关信号模式与最终答案联系起来的逐步推理过程。尽管这些模型在后训练阶段能够从参考 CoT 轨迹中学习,但在推理时生成对输入时间序列忠实的描述仍然具有挑战性。将高维、连续的时间表示转换为离散的语言标记,可能导致模型忽略与任务相关的模式,或对其进行不准确的描述。由于后续推理步骤建立在这些描述之上,早期错误会不断传播,最终导致答案错误,同时产生看似合理却与输入信号不一致的解释。我们提出 Lapras(Latent Post-trained Reasoning Across Series),一种赋予 TSLMs 潜在推理能力的后训练框架。经过 Lapras 训练的模型在联合的时间序列—语言空间中,通过一系列连续思维进行推理,仅针对最终答案生成文本。该能力通过教师—学生自蒸馏进行学习:教师模型基于 CoT 参考轨迹进行训练,并通过文本显式推理。学生模型在答案阶段使其隐藏状态与教师模型的隐藏状态对齐,从而将教师模型的推理能力迁移到自身的潜在计算中。我们在五个时间序列问答基准上,使用四种 TSLM 主干模型对 Lapras 进行了评估。与显式 CoT 相比,Lapras 将平均 F1 最高提升了 10.79%,同时生成的标记数量减少了 23.9 倍。Lapras 的连续思维还可以通过标准语言解码转换为可读的推理轨迹,从而保留文本解释。总体而言,这些结果表明,Lapras 是一种有前景的后训练范式,能够实现高效、有效且可解释的 TSLM 推理。

arXiv cs.LG69

SpatialOPSD: Self-Distilling Spatial Intelligence from Verified Coding Agent Traces

arXiv:2610.11366v1 Announce Type: new Abstract: Spatial coding agents significantly improve spatial reasoning in Multimodal Large Language Models (MLLMs) by using external tools to generate verified execution traces. However, this paradigm inherently suffers from prohibitive inference-time overhead and external dependencies. In this paper, we explore whether an MLLM can internalize this agentic capability to operate entirely tool-free. We begin with a simple observation: prompting an MLLM with summarized execution traces of a spatial coding agent naturally unlocks the model's internal spatial Chain-of-Thought (CoT). Motivated by this, we introduce SpatialOPSD, an on-policy self-distillation framework that internalizes spatial reasoning into a standalone MLLM by formulating verified agent traces as privileged information. To mitigate privileged-information leakage during distillation, we introduce Repetition-Aware Distillation, which combines repetition masking with unlikelihood regularization. Experiments across multiple benchmarks demonstrate that self-distilling SpatialOPSD achieves higher average accuracy than SFT and GRPO on both spatial and OOD datasets, exhibiting superior performance and generalization.

arXiv cs.LG69

KDFP: A first-principles approach to knowledge distillation in large language models

arXiv:2610.10854v1 Announce Type: new Abstract: Knowledge distillation is an established technique for improving the capabilities of small, efficient student models by training them with the representations of larger, more capable teacher models. Much of the recent work in the distillation of large language models (LLMs) has focused on distilling abilities learned during post-training, such as instruction following, chain-of-thought reasoning, and tool usage. This has left a large research gap in general knowledge distillation for LLMs, which is essential for developing efficient and private systems suitable for deployment on edge devices. We take a first-principles approach, evaluating previous lessons from prior works and conducting new explorations to develop a distillation methodology suitable for modern LLMs. We present KDFP, a novel methodology for white-box general knowledge distillation in LLMs. We demonstrate that KDFP outperforms existing methods by 1.6% $-$ 4.9% across 9 benchmarks while increasing training efficiency by up to 99.1% through ephemeral parameter reduction.

arXiv cs.AI83

引用但未查阅:法律思维链忠实性的反事实审计

大型语言模型越来越多地通过指出判决背后的法条或判例来为法律决定提供理由,并将此视为该决定源于该法律依据的证据。我们对此进行直接检验:在保持案件事实不变的情况下,将模型所指出的法律依据替换为一个无关的依据,并从模型的隐藏状态中解码其不断演变的判决。在七个开放权重模型(8B-70B)和涵盖司法与合同推理的四个基准测试中,当明确要求模型通过指出所适用的法律依据来证明判决时,模型在66.7%-100%的生成结果中指出了正确依据;然而,随着法律依据变化而改变判决的情况则远不稳定:在CaseHOLD上为0.0%-21.7%,在ECHR和SCOTUS上为30.0%-76.7%,在ContractNLI上为43.3%-50.0%。无论是扩大模型规模,还是采用专门构建的法律推理模型(尽力复现的LoRA模型;第6节),都无法弥合这一差距。对五个核心模型进行的红队评估发现,模型遵从隐藏在案件事实中的对抗性指令的比例(73.3%-96.4%)远高于其对判决替换的敏感度,而且这一现象在不同模型排名中无一例外地成立。因此,指出法律依据并不能很好地作为判决依赖该依据的代理指标;与此同时,同一判决仍会分别受到对抗性操纵的影响。两项发现均在排除提示措辞噪声和混杂采样因素的检验中得到复现,并且直接关系到将生成式法律解释用作合规或审计凭证的问题。

arXiv cs.LG83

藏于明处:基于扩散的视觉语言模型地理定位隐私泄露缓解方法

arXiv:2609.21363v2 公告类型:replace-cross 摘要:多模态大型推理模型(MLRMs)在复杂视觉理解方面展现出卓越能力。然而,这种强大能力也带来了一种严重却尚未得到充分研究的隐私威胁:攻击者可以利用 MLRMs,对建筑风格、植被和光照条件等细微视觉线索进行结构化推理,从用户随手分享的照片中精确推断其地理位置。在本研究中,我们系统研究了 MLRM 驱动的地理定位隐私泄露问题。我们首先揭示,基于拒绝响应的防护措施严重不足,因为精心设计的越狱提示可以将模型响应率提高至 100%。我们进一步发现,现有防御方法通过向共享图像中注入不可感知的扰动来实现保护,但受限于像素空间优化所固有的结构性局限,导致黑盒迁移能力下降,并产生明显的视觉伪影。基于这些发现,我们提出了一种基于扩散的框架,为地理定位隐私泄露提供有针对性的主动防御。我们的方法在反向采样过程中向扩散模型的潜在空间注入扰动,直接作用于高层语义表示,从而从设计上突破防御有效性与图像实用性之间的瓶颈。我们进一步采用与 GPS 坐标显式对齐的模型 GeoCLIP 作为替代模型,为优化提供依据,精准定位并破坏 MLRMs 用于位置推断的地理信号。这种有针对性的语义扰乱在保持图像感知质量的同时,显著增强了黑盒迁移能力,并可无缝集成到社交媒体平台中。代码可在 https://github.com/RachelWolowitz/Hiding_in_plain_sight 获取。

arXiv cs.LG76

质疑问题:维持推理模型的自我进化

arXiv:2610.04299v2 公告类型:替换 摘要:自我进化的推理模型从自身生成的问题中学习,但反复进行自我训练可能导致性能崩溃。本文探究了性能为何会在连续多轮训练中恶化,以及如何维持自我进化。我们的分析发现,自生成问题中反复出现两类质量问题:无效问题,以及同一数学问题的重复变体。首先,无效问题在各轮训练中的比例不断增加,而答案一致性筛选会进一步提高其在训练数据中的占比。其次,现有基于词法相似度的问题多样性控制方法,可能无法识别以不同方式表达但在数学上等价的问题,从而导致后续训练轮次中的问题多样性崩溃。基于这些发现,我们提出 R-Quest,利用问题有效性和新颖性反馈来引导自我进化。我们首先训练求解器识别并拒绝无效问题,然后利用其判断来指导提问器的奖励,并筛选求解器训练数据。为避免问题重复,我们使用冻结的基础模型比较采样的问题对,并提供新颖性反馈。在实证评估中,我们的方法在两个模型系列的数学推理、通用领域推理和代码生成任务的 12 个基准测试上,始终取得最高的平均性能。此外,R-Quest 在十轮自我进化过程中持续保持稳定的性能增益,在最后一轮达到峰值,并以 17.32 分的优势超过 R-Zero。

arXiv cs.LG77

通过弃权获得认证:小校准预算下思维链验证器的无分布假设保证

arXiv:2610.09541v1 公告类型:交叉收录 摘要:预测思维链(CoT)轨迹是否正确的信号通常通过 AUC 进行比较,但部署这类信号需要一个具有保证的阈值。我们使用七个开放模型、五种验证器信号和 37,000 条已评分轨迹,研究在数十至数百道已标注问题这一现实校准预算下,无分布假设的选择性保证能为 CoT 验证器提供什么。核心观察是通过弃权维持有效性:一个以概率 $P_{\rm fire}$ 出具证书的 $(\alpha,\delta)$-有效程序,对已出具证书的失效概率只能给出 $\delta/P_{\rm fire}$ 的上界,因此,极少触发的证书可以在统计意义上有效,却在每次使用时都出错。在一项风险已知的模拟中,标准证书在所有校准抽样中的失效比例至多为 0.3%,但在触发证书的校准抽样中,这一比例最高可达 69%。认证下限以及 Benjamini-Hochberg 共形选择的格点条件解释了为何证书在这些预算下会弃权,数据也印证了这一点:标准证书要么不返回任何结果,要么返回一个很大的接受集;而一个不可读的残差流探针所实现的覆盖率是可读信号的两到三倍,交叉拟合重构无法从可读特征中线性恢复出这一优势。随后,我们提出一种从下限起步的固定序列证书,无须单调性假设即可保证有效性;它在每个模型与信号组合上的覆盖率都高于 Bonferroni 证书,并将非空泛目标 $0.75\pi_0$ 下的覆盖率从 0.05 提升至 0.16,尽管该下限仍使绝对覆盖率保持在较低水平。最后,证书无法洞察部署后真正重要的情况:在基准分布偏移下,被接受轨迹的错误率随新任务的基础错误率变化;而在针对验证器进行 best-of-$n$ 选择时,该错误率会上升并超过目标值,但经验失效频率仍低于 $\delta$,因为弃权吸收了这些失效。

arXiv cs.AI82

PyINE:通过代码执行实现可扩展的诱导与监督框架

推理模型可能仍然具备解决任务的能力,却默认采用成本更低但具有误导性的捷径。这带来了一个核心监督问题:当模型给出一个看似合理但推理不完整的答案时,监督者能否判断该输出是否值得信任?为研究这一问题,我们引入了 PyINE,这是一种利用经过插桩的 Python 程序作为可验证执行基础设施,实现可扩展诱导与监督的框架。在 PyINE 中,程序定义任务环境,执行轨迹为结果和中间事实提供权威标签,任务变体则可以通过机械化方式生成,而无需依赖静态人工标注。我们在 PyINE-v1 中实例化了该框架。这是首个版本,由近一百万条确定性执行轨迹和超过 50 万个匹配的 LLM 生成代码变体构成,用于反事实评估。在带有线索变化的任务上,利用带可验证奖励的标准 RL,我们训练了一个遵循捷径的模型。该模型在预测执行结果方面取得了显著提升,但当误导性的人类可见线索与程序实际产生的行为发生冲突时,仍会系统性地犯错。随后,我们评估了激活探针、训练得到的文本分类器、提示式评判器,以及一种轻量级辩论协议,作为该模型的监督者。我们发现,在数据集层面汇总的性能可能掩盖对最重要失败的薄弱覆盖:廉价的学习型监督者往往会漏掉罕见的、由捷径驱动的错误;而更强的基于模型的检查虽然更加均衡,却成本高得多,也更难转化为可靠的阈值化决策。PyINE-v1 将这一失败模式覆盖问题转化为一个可复用的实验环境,用于开发具备可验证性、能够感知失败模式且关注成本的监督方法。

arXiv cs.AI81

推理模型在因果识别上准确但不可靠

当被询问某种因果效应是否可以从观察数据中恢复时,推理模型可能以两种方式失败:拒绝回答可识别的查询,或回答不可识别的查询。后者影响更为严重,因为任何观察数据都无法验证其所声称的公式。要衡量这种失败,需要使用经过严格证明的不可识别查询,而此前的评测并未提供这类查询;同时还需要能够接受任何等价形式的正确公式作为答案的评分方法,而字符串匹配无法做到这一点。我们构建了 CERTID,这是一套形式化的识别流程,旨在解决上述两个局限。CERTID 使用可靠且完备的因果识别算法 ID,根据给定的图和查询验证某种效应是否可识别,并针对干预分布已知且精确的结构因果模型,核验返回的公式。CERTID 进一步推导理论结果,以减轻结构性泄漏、修复不可识别的查询,并建立评分保证。我们在 1,200 个经过认证的实例上评测了三种前沿推理模型(Gemini Flash、Gemini Pro 和 GPT5.5),这些实例涵盖包含 4 至 50 个顶点的图。结果表明,准确率并不是可靠性的良好替代指标:在相同实例上,不可识别查询中的错误断言率在不同模型之间相差 17 倍。我们还发现,对于在最强模型训练快照之后生成的图,模型判断可识别性的准确率达到 97% 至 100%。实例、认证流程、验证器以及逐实例记录可见于 https://anonymous.4open.science/r/certid-D718。

arXiv cs.LG83

通过多智能体可解释性检测多智能体串通

arXiv:2604.01151v3 公告类型:替换-交叉 摘要:随着 LLM 智能体越来越多地部署于多智能体系统中,它们带来了可能规避标准人类监督形式的隐蔽协同行为风险。尽管针对模型激活的线性探针已显示出在单智能体场景中检测欺骗行为的潜力,但串通本质上是多智能体现象,而利用内部表征检测智能体之间的串通仍未得到探索。我们提出了 NARCBench,这是一个用于评估环境分布偏移下串通检测能力的基准,并提出了五种探测技术:将每个智能体的欺骗分数进行聚合,以在群体层面判别场景。我们在四个开放权重模型(Qwen3-32B、Llama-3.1-70B、DeepSeek-R1 32B、GPT-OSS-20B)和六种探针架构上进行了评估。我们将这一问题定义为分布式异常检测问题,识别出三种串通特征,它们分别对应不同的异常类型和检测范式。在分布内测试中,每个模型都达到了 1.00 的 AUROC;在表现最强的模型 Llama-3.1-70B 上,五种探测技术迁移到结构不同的多智能体场景进行零样本测试时,AUROC 达到 0.73 至 0.93;在隐写式二十一点算牌任务上则达到 0.99 至 1.00,且检测性能随模型能力提升而增强。我们发现,没有任何一种探测技术能够在所有串通类型上占据优势,这与该框架的预测一致:不同的异常类型需要不同的检测范式。这项工作朝着多智能体可解释性迈出了一步:将白盒检查从单个模型扩展到多智能体环境,因为在此类环境中,检测需要聚合多个智能体之间的信号。这些结果表明,模型内部信息能够为文本层面的监控提供互补信号,用于检测多智能体串通。代码和数据见 https://github.com/aaronrose227/narcbench。

arXiv cs.LG78

利用指令调优与模型合并进行推理模型适配

arXiv:2607.14895v2 公告类型:替换 摘要:推理语言模型(RLMs)通过利用推理 token 形式的测试时计算,展现出令人印象深刻的性能。然而,这种行为使得将 RLMs 适配到新领域变得充满挑战且成本高昂。原因在于,进一步训练可能会扰乱已学习的行为并降低模型性能。这使得利用带有人类编写解答的监督微调数据变得困难:尽管其中包含高质量标注,却缺少推理 token。在本文中,我们展示了尽管存在这一挑战,仍然可以高效地利用此类数据进行 RLM 适配。为此,我们首先使用标准的指令调优。随后,我们利用模型合并,将经过指令调优的模型与原始 RLM 结合起来,并选择合并比例,使所得模型在目标领域中的推理行为得以恢复。我们在编码和文本摘要任务上对四个 RLMs 进行了评估。结果表明,该方法在保持推理行为的同时,能够将目标任务性能提升最高达 $11.0\%$,并将分布外得分的下降幅度限制在平均 $0.7\%$。重要的是,我们的适配过程高效且经济,每个模型的成本低于 USD $\$10$。

arXiv cs.LG79

你的语言模型就是自己的价值评估器:利用演员内部状态进行价值估计的强化学习

arXiv:2605.07579v3 公告类型:替换 摘要:带可验证奖励的强化学习(RLVR)是大型推理模型的基础,而RLVR依赖于降低方差,这要求同时具备可靠的基线,以及每个训练批次内高度多样化的提示词。在通用推理模型的多领域训练中,这一点尤其困难,因为不同任务的提示词会产生高度多样化的梯度信号。现有方法各有不足:GRPO将基线估计为来自同一提示词的多次采样结果的组均值,因此,越准确的基线意味着批次中可包含的不同提示词越少;而PPO通过训练一个与策略规模相当的评论器来避免这一权衡,但训练成本大致翻倍。我们提出POISE(Policy Optimization with Internal State Value Estimation),一种将模型内部状态转化为价值模型的强化学习算法。一个轻量级探针读取前向传播过程中已经计算出的信号,以预测基线,并与策略同步在线训练。为保持梯度的无偏性,我们提出一种跨采样结果构造方法,利用另一次独立采样结果的内部状态来预测每次采样结果的价值。在涵盖六个领域的可验证奖励语料库上,使用Qwen3-4B和OLMo3-7B-Instruct-DPO进行实验,POISE优于其他RLVR基线,同时实现了更稳定的训练。此外,该探针的效果可媲美独立的LLM规模价值模型,能够泛化到各种任务,并且随着策略规模扩大仍能保持准确。通过利用模型的内部表示,POISE实现了稳定的策略优化。

arXiv cs.LG78

从近未来学习:用于 RLVR 的时间自蒸馏

arXiv:2604.20733v2 公告类型:替换 摘要:带有可验证奖励的强化学习(RLVR)是推理模型后训练的核心方法,但当有用轨迹难以发现或探索范围逐渐收窄时,纯在线策略学习可能效率低下。现有的自引导方法大多重复利用当前或早期学习器已经具备的能力。我们转而探讨:学习过程是否也能利用训练后期才涌现的能力——模型能否从未来的自己身上学习?我们提出时间自蒸馏,即由自身更强的后续检查点为策略提供指导。我们假设,最有用的时间教师未必是最强的教师:教师必须提供足够新的能力,同时与学习器保持足够的兼容性,使该能力能够顺利迁移,这促使我们关注近未来场景。我们通过两种互补机制研究这一原则。近未来策略优化(NPO)利用经过验证的未来自我轨迹进行离线策略行为迁移,而近未来策略蒸馏(NPD)则在学习器生成的轨迹上进行在线策略的令牌级迁移。我们进一步提出 AutoNPO,自适应地判断时间指导何时有用以及应回滚多远,将未来自我指导转化为一种反复进行的自举过程。在八个图文基准测试中,NPO 将 GRPO 的性能从 60.25 提升至 62.84,AutoNPO 则达到 63.15,并且在纯文本和视频推理任务上均取得稳定增益。在 NPD 下,尽管近未来教师在蒸馏后的即时性能较低,但经过持续强化学习后达到了 63.23,而远未来教师为 61.92。总体而言,这些结果表明,有效的时间自蒸馏并不简单取决于教师的强大程度,而取决于新获得的能力与学习器兼容性之间的平衡。

arXiv cs.LG82

通过部分信息分解解释大语言模型的推理

arXiv:2610.00571v1 公告类型:cross 摘要:大型推理模型(LRM)在解决复杂数学问题方面取得了显著进步,但通常会生成冗长、重复或错误的推理轨迹。在本文中,我们提出了一种新的可解释性框架 SLIDER,用于评估推理过程的质量。SLIDER 利用了信息论中一个新兴的研究方向——部分信息分解,将两个连续推理步骤之间关于最终答案的信息解耦为非负的组成部分:独有信息(来自前序步骤或当前步骤)、冗余信息以及协同信息。在此分解的基础上,我们提出了逐步重复推理指数(Step-RRI)这一具有理论依据的度量,用于评估当前步骤 $S_i$ 中与答案相关的信息,相对于其独有贡献和协同贡献,是否主要与过去的步骤 $S_{<i}$ 存在冗余。为评估 Step-RRI 检测重复性的有效性,我们将 SLIDER 应用于 PRMBench 数据集中的冗余类别。与基于嵌入相似度和信息增益的基线方法相比,Step-RRI 将步骤级冗余识别准确率提高了超过 $10$ 个百分点。随后,我们定义了轨迹-RRI(Trajectory-RRI),这是一种衡量单条推理轨迹重复性的聚合指标。为展示其实用价值,我们证明,在 QwQ-32B、DeepSeek-R1-Distill-Qwen-32B 和 GPT-4.1 上,平均 Trajectory-RRI 与实际推理长度具有很强的相关性,这说明它可作为提升推理效率的一种信号。最后,我们提出了由 Trajectory-RRI 引导的微调数据选择方法,结果表明,根据 Trajectory-RRI 选择训练数据,可以在基本保持任务性能的同时,提高微调模型的推理效率。

arXiv cs.LG85

RLVR 后训练期间的语言漂移

arXiv:2610.02015v1 公告类型:新 摘要:近年来,LLM 推理模型主要通过采用可验证奖励强化学习(RLVR)进行后训练这一范式取得了长足进展,使其能够完成极其复杂的任务。然而,随着能力不断提升,LLM 也越来越多地在其思维链(CoT)中表现出语言漂移的迹象:不寻常、不规范且看似毫无意义的语言使用。尽管这一现象已有充分记录,并且可能损害 CoT 的可监控性,但迄今为止,人们对语言漂移的成因仍知之甚少。在本文中,我们确定了语言漂移发生的条件:从理论上证明,RLVR 优化压力会导致无界的语言漂移,而监督微调则不会。随后,我们通过实验证明,语言漂移具体产生于在新颖推理任务上进行 RLVR 的过程中——也就是说,当目标行为无法从基础模型中诱导出来时。最后,我们证明,在不限制期望奖励的情况下,不可能约束语言漂移。这表明,在前沿水平的 RLVR 后训练期间,如果不牺牲性能,就无法提升 CoT 的可监控性。

arXiv cs.LG81

语言模型能从测试时计算中获得多大提升?

arXiv:2610.01110v1 公告类型:new 摘要:测试时计算能在多大程度上提升语言模型,其代价又是多少?测试时扩展通常被视为更大模型的替代方案,但现有比较大多一次只评估一个领域,而且很少将候选选择计入预算。我们推出 SELF-POT,这是一个基准测试与评估框架,用于衡量模型在竞赛数学、竞技编程和智能体工作流中的测试时潜力。SELF-POT 在静态任务上将候选覆盖率与最终准确率分开,跟踪修订过程中的正确性变化,并在智能体环境中同时衡量协议完成情况与任务成功率。在统一的预算规则下,它将 Direct 推理与并行采样及自我修订进行比较,后两者的预算固定为 Direct 预算的若干倍;同时,以美元计费每次模型调用,包括选择和批评调用。该设计支持两类比较:模型从额外推理中获得的提升,以及较低成本模型通过额外推理与更强模型之间的比较。在 350 个密封任务上对五个低成本推理模型进行评估,并以 Claude Opus 5.5 Direct 作为参照后,我们发现,收益取决于领域、选择规则和失败处理方式。在重放保留的编程候选池时,基于公开样例进行选择,使 500 个计划单元格中的正确提交数从 376 个提高到 453 个,同时在不同模型上节省 12%–49% 的逻辑 API 成本;而在评判失败时简单保留一个可用候选,则能在成本不变的情况下挽回 61 个提交。在相同的数学候选池上,带回退机制的评判得到 186 个正确提交,而投票得到 182 个;但投票可节省 12%–21% 的逻辑 API 成本。这些受控重放展示了选择和失败处理如何改变从相同生成候选中获得的收益,并量化了模型评判器的边际价值。

arXiv cs.LG82

生物推理模型何时使用其生物学输入?

arXiv:2610.00898v1 公告类型:新 摘要:生物推理模型通过后训练,将 LLM 与生物基础模型表征及生物学文本连接起来。人们将其基准测试准确率视为 LLM 在这些输入上进行推理的证据。我们在涵盖 DNA、蛋白质和单细胞任务的六种生物推理模型中检验这一假设。我们在固定查询和其他输入的同时扰动一个生物学输入,构造证据冲突,将一个基因组、蛋白质或细胞的基础模型表征与另一个对象的文本配对;我们还对语言模型接收的表征拟合线性探针,并将推理轨迹与生物学输入进行比较分析。在所评估的任务中,Evo2 和 ESM3 对 BioReason 和 BioReason-Pro 性能的贡献很小。打乱 DNA 序列几乎不会改变 BioReason 的疾病预测准确率;在证据冲突情形下,这两个模型分别有 97.9% 和 99.7% 的情况下遵循文本信息。基于 Evo2 和 ESM3 表征训练的线性探针能够预测任务目标,这表明这些基础模型编码了与任务相关的信息,但它们对 BioReason 和 BioReason-Pro 整体性能提升的作用有限。相比之下,基础模型输入对 ChatNT、Prot2Text-V2 和 CellWhisperer 的性能有贡献,而基因句子中的差异表达基因则对 Cell2Sentence-Scale 的性能有贡献。在 BioReason-Pro 的 SFT 和 RL 检查点以及 42 个 BioReason 检查点中,准确率的提升并不意味着生物学输入的性能贡献更大。BioReason 的推理轨迹会错误陈述核苷酸变化,而在证据冲突情形下,BioReason-Pro 的推理轨迹会描述最终预测中遗漏的功能。我们发现,当前的后训练策略并不能确保基础模型表征对任务性能有所贡献。

arXiv cs.LG79

匹配分布,而非计算量:训练后多词元预测头

arXiv:2610.00888v1 公告类型:新增 摘要:多词元预测(MTP)通过使语言模型在每次前向传播中起草多个后续词元,提高自回归生成的吞吐量;同时,对起草词元进行验证可确保骨干模型的词元分布得到保留。所有已公开的 MTP 系列模型(MiMo-7B、DeepSeek-V3、Qwen3)都在数万亿词元的完整预训练过程中与骨干模型联合训练,因此在预训练阶段确定了起草器的质量。我们探究:在冻结的推理模型上,仅对目标模型生成的思维链进行一次轻量级训练后处理,是否足以达到相同的预期吞吐量加速效果;并研究如何优化基于此类检查点构建的服务时系统。我们得到三个发现。1)对于采用 $K{=}3$ 个链式 MTP 头的冻结 Qwen3-8B,我们表明,在约 $\approx\!2.5$B 个词元上使用普通交叉熵的训练后处理方案,在数学、代码和知识基准测试上达到了或超过了联合训练 MiMo-7B 的预期加速效果。与联合预训练 MiMO-7B MTP 基线相比,我们的训练后处理方案所使用的 MTP 训练词元减少了 $10^3$--$10^4$ 倍。2)我们提出了一种具备链感知能力的起草词元验证规则松弛方案,允许词元分布相对于骨干语言模型发生有界偏移。我们表明,在保持任务准确率的同时,该松弛方案使每个基准测试的预期加速提升了 $+12$ 至 $+16\%$。3)我们提出了一种自适应控制器,可在推理时动态选择启用的 MTP 头数量,并证明在固定最大 MTP 起草长度的情况下,可以恢复速度加速损失的 $11$--$14\%$。

arXiv cs.AI74

Structure vs. Chain-of-Thought: Evaluating LLM Criteria Extraction for Depression Severity

A large language model (LLM) can rate depression severity directly from a social media post or mark which clinical criteria the post shows and let code turn the count into a label. The latter is easier to audit because a clinician can check each marked criterion. We compare these approaches on two Reddit corpora using three LLMs (from 9B to frontier scale) and two questionnaires (PHQ-9, BDI-II), and measure agreement with quadratic weighted kappa. For the two frontier models, criteria extraction scores above chain-of-thought on one corpus only when its decision thresholds are fitted on labeled data. Neither model's gain is significant, with or without recalibrating chain-of-thought on the same labels. With thresholds fixed a priori from PHQ-9's criteria, extraction shows no gain on either corpus, even where models mark over two criteria per post. The 9B model behaves differently on a corpus from depression communities. It labels most posts severe, whether prompted directly or with chain-of-thought, while the a priori rule beats both without labels. After chain-of-thought is recalibrated on the same labels, no significant gap remains, consistent with a calibration effect. Yet higher ordinal agreement does not ensure better detection of severe cases. PHQ-9 criteria extraction misses most severe posts, and moving from direct prompting to chain-of-thought and then to extraction increases misses in nearly all comparisons. On the primary corpus, a relabeled stress dataset, a model using that dataset's own features, including word counts from the text, is not significantly different from frontier criteria extraction under the a priori rule.

arXiv cs.AI85

答案正确,轨迹无效:可验证的小学数学揭示了思维链轨迹的什么问题

人们普遍将思维链轨迹视为模型得出答案的过程记录,并据此进行调试、智能体审计以及关于推理的论断。由于自然语言形式的思考轨迹很少能够通过机械方式验证,对这一理解进行检验十分困难。我们在 iGSM 上重新审视这一问题。iGSM 是一个用于研究思考轨迹的合成小学数学基准,也曾被用于支持模型学会推理和规划的相关论断。关键在于,iGSM 提供了正确解答应使用的确切数量及其依赖关系,因此可以逐步对生成的轨迹进行程序化检查,并检验正确答案是否始终可靠地伴随着有效轨迹。我们首先评估仅使用有效且最简轨迹训练的模型。在分布内,答案正确性与轨迹有效性在分布上几乎一致,但在分布外二者发生脱钩:在最难的实例上,31.6% 的正确答案对应着无效轨迹,其中超过一半的轨迹通过了所有语法和算术检查,却未能通过语义依赖关系检查。随后,我们对轨迹监督进行了干预。非最简训练轨迹会诱导出非最简输出;而使用不同查询重新提问同一道题,则会显露出从原始查询中继承而来的计算过程,从而削弱了“最简性”作为选择性规划证据的意义。在 10% 的训练轨迹句子中打乱词元,即使在分布外,也能保持近乎无损的准确率,尽管没有任何轨迹通过验证。交换训练轨迹同样能够保持较高的分布内准确率。我们将结合 AI safety 的背景,讨论这些发现对思维链监控与解释的影响。

arXiv cs.AI69

Not All Thinking is Created Equal: Latent Reasoning Discovers a Recurrent Search Algorithm for Depth Generalization

Large Language Models can perform multi-step reasoning and improve task performance through different forms of intermediate computation, from token-based traces to computation carried out in latent space. However, a question remains open: do these different forms of thinking rely on the same underlying mechanism? To address this, we train and compare five variants of the same GPTNeoX backbone from scratch on an extended multi-hop reasoning task (ProsQA-Ext): a vanilla model, a Chain-of-Thought (CoT) model, a Pause Token model, and two latent-reasoning models that are optimized end-to-end without intermediate reasoning traces. We find that, strong in-distribution (ID) performance does not guarantee depth generalization. Vanilla, CoT, and Pause Token models solve ID problems well, but rely largely on local graph features and generalize poorly to out-of-distribution (OOD) problems with longer hops. In contrast, latent variants generalize better and show internal dynamics consistent with forward reachability propagation on the graph. Causal interventions and circuit analysis localize this computation to a sparse recurrent search circuit in the bottleneck latent model: an attention head retrieves graph relations, an MLP and the residual stream update the reachability state across recurrent steps, while multiple attention heads together then do the candidate matching. Together, these results show that different thinking mechanisms can learn distinct computational solutions, even at similar ID performance. In this setting, latent recurrence supports a reusable forward-search algorithm that generalizes beyond the training depth.

arXiv cs.AI69

On the Token Value Inequality in Efficient Reasoning

Chain-of-Thought reasoning has enabled large language models to achieve substantial performance gains on complex tasks. However, these gains come at the cost of dramatically increased token consumption. This raises a fundamental question: is every token in the reasoning trace equally valuable? We present a diagnostic and optimization framework grounded in a key empirical finding: the value of tokens within a CoT reasoning sequence is highly non-uniform, and this non-uniformity can be effectively characterized by token-level log probability signals. We show that normalized log probability helps distinguish core tokens, which carry structural and decisive reasoning content, from redundant tokens, which are exploratory, low-confidence filler that contributes less directly to the final answer. Building on these findings, we formulate the TokenProbe framework around two empirical findings and one claim: findings identify token value inequality first and then establish TokenProbe as a core-token proxy, and the claim introduces an efficient GRPO objective positing that selectively compressing redundant tokens can yield Pareto improvements in the accuracy-token efficiency space. Empirically, our method preserves reasoning quality while reducing the token usage by 76% of the baseline. Under matched reasoning-length budgets, we show that it can even outperform strong flagship baselines like Gemini-3.1-Pro. Homepage: https://runjia.tech/tokenprobe/.

arXiv cs.AI73

学会停止而无需学习停止:自监督置信度训练提升推理效率

推理模型通常会生成很长的推理轨迹,使推理在计算上代价高昂。现有方法通常通过推理时的提前停止机制,或在训练中明确鼓励更短的推理来提升效率,例如使用带长度惩罚的强化学习。我们表明,可观的效率提升也可以来自另一种监督:\textit{置信度}。通过一种自监督流程,我们仅使用 600 个训练问题,对推理模型进行微调,使其在自身推理轨迹的中间节点预测其对答案的置信度。置信度仅作为训练目标使用:损失函数中不包含任何针对推理长度、效率或停止的目标。在推理时,微调后的模型使用标准生成流程,不进行置信度引出,也不采用提前停止机制。尽管如此,自监督置信度微调仍使推理更加高效,在数学、科学和代码推理基准上,对于 Gemma、Qwen、Nemotron 和 GPT-OSS 模型,在准确率相当的情况下可将生成的 token 数减少多达 25\%,其效率提升与显式优化更短推理的方法相当。对推理过程的分析进一步表明,置信度监督在很大程度上保留了基础模型的高层推理组成,而不是选择性地抑制特定行为。我们的结果表明,高效推理可能是学习元认知信号的下游结果,而无需直接对其进行优化。

arXiv cs.AI71

GRASP:利用智能体 AI 进行战略规划的生成、修订与评估

大型语言模型(LLM)通常呈现出这样一种性能特征:随着任务复杂度的提高,其可靠性会下降。针对复杂任务中生成高质量、可用自然语言执行的计划这一挑战,我们提出了 GRASP,一种具备策略感知能力的多阶段规划框架。GRASP 将规划流程解耦为多个专业化且上下文隔离的模块:预先编译全局宏观指导方针(GenPlan),在相互隔离的上下文窗口中探索局部替代策略(RevPlan),并使用多标准判别器独立评估各条轨迹(VerPlan)。实证评估表明,在多个不同数据集上,GRASP 始终建立了新的最先进水平,相较于直接使用 LLM 的规划器,在 Natural Plan Calendar Scheduling(约提升 12.4%)、ZebraLogic(约提升 30.8%)和 SciBench Math 上均取得了显著的准确率提升。尤其是在多任务扩展场景下——标准规划器会立即出现性能崩溃——GRASP 完全消除了多任务带来的性能退化惩罚。在交错双任务环境中,GRASP 相较于直接使用 LLM 的规划器,最高可实现 16.7% 的绝对准确率提升。此外,通过隔离上下文并实施严格的宏观正则化,GRASP 以 14.5% 的优势超越了前沿推理模型(如 GPT-5-mini)。

arXiv cs.AI86

预填充推理通道:针对推理型 LLM 的输出前缀攻击

大型语言模型(LLM)接收并生成单一文本序列;因此,如果可以在 LLM 响应的开头添加文本,即输出前缀,那么后续所有 token 都将以此为条件。输出前缀攻击技术是一种成本低廉的黑盒提示注入方法。先前研究表明,这类攻击能够稳定地令非推理模型越狱。大多数推理模型会在助手的最终响应之前,增加一个中间的草稿推理步骤。一些 API 暴露了编辑这一推理通道的能力,攻击者可以利用某些攻击向量发起推理注入攻击。我们开展了首项系统且受控的研究,将草稿推理通道单独作为输出前缀攻击向量进行分析;同时也是首项在推理过程公开和隐藏的模型中,对仅推理、仅输出前缀以及推理加输出前缀三类攻击进行比较的研究。我们采用 3 种前缀类型 × 2 种推理注入的析因设计,在从 AdvBench 抽取的 1,800 个测试案例上,对三个 2026 年前沿模型 Gemini 3 Flash Preview、DeepSeek V4 Flash 和 Claude Haiku 4.5 发起攻击。我们发现,单独注入恶意推理基本不起作用(攻击成功率约为 0%);但将相同的推理与一个简单的输出前缀一同注入后,在某些模型上可将攻击成功率提升至最高 99%。对于这类攻击,我们发现上下文前缀的效果优于静态前缀;此外,模型是否容易受到攻击取决于具体模型。

arXiv cs.AI76

能力出众而简约:提取并刻画前沿模型中隐藏的思维链

前沿语言模型能力的快速提升通常被归因于推理能力的增强,但由于闭源系统中的原始 CoT 轨迹处于隐藏状态,这一点无法得到验证。通过标准 API 功能注册一个简单的自定义工具,我们促使前沿模型将中间推理外显出来。鉴于这些轨迹可能反映的是事后合理化,而非真正的推理,我们首先在开源模型上以原生 CoT 为基准进行评估,并将研究扩展到包括 GPT-6 Astra 在内的闭源前沿模型。我们发现,在竞赛数学、科学和代码生成任务中,提取出的推理与原生推理具有相当的性能,并显著优于无推理基线。随后,我们刻画了前沿模型组织中间推理的方式。通过分析 token 效率、推理步骤类型和诱导出的推理树,我们发现,不同模型在外显、压缩和组织推理的方式上存在系统性差异。我们发现,Astra 展现出 token 高效的定向推理能力,能够更早选定正确轨迹,同时在内部解决基础步骤,仅将关键推理外显。这些发现为理解前沿模型推理提供了超越基准测试分数的行为视角。

arXiv cs.AI82

MedRSI:通过临床对齐的自我进化实现医疗智能体的递归自我改进

医疗智能体日益将通用推理模型与专业临床工具相结合,但其能力在很大程度上仍受部署前由临床医生和工程师所设计内容的限制。递归自我改进(RSI)提供了一种不同的范式:智能体从自身失败中学习,并自主扩展其能力。然而,将 RSI 直接应用于医疗领域会带来根本性的安全挑战。我们提出了 MedRSI,这是首个面向医疗领域的递归自我改进框架。该框架通过工具组合和特定任务模型训练,持续将诊断失败转化为新的临床能力。受临床实践启发,MedRSI 引入了两种临床对齐的自我进化机制。临床成本感知的失败优先级排序根据错误可能造成的临床后果,而非仅依据错误频率,来确定改进方向。快速发现与缓慢注册机制将能力的快速发明与保守采用分离开来,只有当新工具在后续患者队列中持续展现出益处后,才会被纳入持久化智能体。在公开的青光眼和心脏病基准以及两个私有临床任务上,MedRSI 逐步发展出分割、测量、预测、多模态推理和生成能力,超越了人工设计的医疗智能体,并自主发现了原始设计者未曾预见的临床问题解决方案。我们的结果表明,医疗智能体不必始终受限于部署前规定的能力:通过以临床为基础的机制来决定改进什么以及保留什么,它们能够从诊断经验中持续构建、验证并积累新的能力。代码可在 https://github.com/ImprintLab/MedRSI 获取。

arXiv cs.AI75

校准教师--学生差异以进行在策略蒸馏

在策略蒸馏(OPD)通过学习更强教师与在策略学生之间的词元级差异来提升推理模型。然而,这种差异并不能纯粹反映教师与学生之间的能力差距:其中还包含由教师自身产生的偏离,这些偏离随后与观测到的教师--学生差异混杂在一起,并在训练过程中被标准 OPD 不加区分地学习。特权 OPD 进一步加剧了这一问题,因为特权信息会导致教师侧的似然发生更大的偏移,从而促使学生学习更多教师自身的偏离。我们提出 \textbf{Calibrated On-Policy Distillation (Cal-OPD)},通过正向和负向特权干预来估计教师的自偏离区域,并对原始教师--学生差异进行校准,仅保留超出该区域的部分。在数学推理基准测试中,尽管仅保留了原始教师--学生差异约 52--65\% 作为优化信号,Cal-OPD 仍在不同模型规模下持续优于标准 OPD 及其变体。

arXiv cs.AI79

GUARD:通过引导式答案-推理蒸馏实现大型推理模型中的自然遗忘

近年来,大型推理模型(LRMs)的快速发展使机器遗忘更具挑战性,因为在生成最终答案之前,受保护事实或不安全的推理过程可能会出现在中间的思维链(CoT)轨迹中。现有的遗忘目标通常会抑制目标内容或重定向内部表征,但从未明确遗忘后的轨迹应如何继续,这可能导致幻觉式替代内容、边界格式错误或重复输出。我们认为,LRM 的遗忘应转而学习一种自然的遗忘轨迹:先生成连贯且不泄露信息的 CoT,再给出稳定的拒答式答案,以替代原始披露内容。为此,我们提出引导式答案-推理蒸馏(Guided Answer-Reasoning Distillation,GUARD),将模型生成的不安全披露转换为安全退出轨迹,通过引导令牌对齐冻结的 LRM,并将引导后的行为蒸馏到模型参数中。为解决除泄露程度之外缺乏替代质量评估指标的问题,我们进一步提出自然遗忘推理分数(Natural Forgetting Reasoning Score,NFRS),用于衡量遗忘输出中的结构稳定性、流畅性和无依据的替代内容。在 R-TOFU 和源自 STAR-1 的有害意图设置上的大量实验表明,GUARD 在保留推理实用性的同时,显著减少了两个广泛采用的蒸馏 LRM 中的不安全披露和隐私披露。代码可在 https://github.com/zeyu-Yan/GUARD 获取

arXiv cs.AI68

SKIP: a Self-knowledge-guided Step-wise Preference Learning Framework for Concise Reasoning

While Chain-of-Thought (CoT) reasoning has been proven to be effective, it often leads to overthinking, resulting in computational overhead, inference latency, and even degraded performance in large language models (LLMs). Existing concise reasoning frameworks significantly compromise accuracy while compressing the length of output. In this paper, we propose SKIP, a self-knowledge-guided step-wise preference learning framework. Starting with lightweight fine-tuning to adjust the model's output style, SKIP introduces a carefully designed knowledge probing mechanism to guide model to output an answer at each reasoning step. Based on the correctness of intermediate steps, we construct preference data that guide the model toward more efficient and correct reasoning by leveraging DPO. Experimental results demonstrate that our method effectively improves reasoning compression while mitigating performance degradation after fine-tuning. Besides, SKIP shows strong generalization ability on out-of-distribution datasets. We further conducted ablation studies on the component parameters of our framework.

arXiv cs.AI79

Corrupt Plans, Clean Traces: Evading Chain-of-Thought Monitoring with Plan Injection

Chain-of-thought (CoT) monitoring is a safety strategy where the reasoning of a large language model "actor" is inspected by a "monitor" (often another language model) for signs of unsafe planning, deception, or misalignment. We find that planting harmful but benign-sounding reasoning in the actor's context can steer it to perform adversarial actions while evading monitors, an attack we term "plan injection". We initially discover this attack in the multiple-choice question-answering monitorability setting proposed by Lanham et al. (2023), using the investigator-agent elicitation framework of Li et al. (2025). We generalize the attack and show that the discovered behavior scales to harder tasks (achieving 25-33% monitor evasion rates across different monitorability benchmarks) and larger models such as DeepSeek-R1. Across the settings we study, actor models not only follow injected plans but also paraphrase them as their own reasoning, without explicit attribution to the injections. Finally, we find cases where extra monitor resources cause harm - giving the monitor access to the injected plan drops detection by as much as 50% in the Bio-Math task and in a case study on monitor reasoning budget, we find transcripts where additional thinking tokens are spent rationalizing the injected plan rather than flagging it.

arXiv cs.AI77

RetroThinker: Enabling Retrospective Thinking in Speech LLMs

Speech large language models (SpeechLLMs) offer reduced latency and retain paralinguistic nuances that are typically lost in cascaded automatic speech recognition (ASR) and text-based LM architectures. However, they continue to lag behind text-only LLMs on complex reasoning tasks, while real-time spoken interaction imposes strict latency constraints. Although prior works employ Chain-of-Thought (CoT) and concurrent reasoning to enhance reasoning capabilities without inducing prohibitive delays, an inherent accuracy-latency trade-off persists. In this paper, we investigate whether a streaming SpeechLLM can dynamically revise its reasoning traces on the fly. We introduce RetroThinker, a multi-stage post-training framework that equips the Moshi model to self-verify and forward-correct CoT steps during inference. RetroThinker combines supervised fine-tuning (SFT) on curated retrospective thinking data with length-based direct preference optimization (DPO) to optimize retrospective during early reasoning (i.e., reasoning concurrently while the user speaks). Evaluated on the GSM8K benchmark, RetroThinker significantly improves the accuracy-latency trade-off over non-retrospective baselines, achieving an 11% absolute accuracy gain at a comparable latency.

arXiv cs.AI70

PRICE: A Systematic Study of LLM Adaptation Choices for Bitcoin Price Forecasting

Cryptocurrency markets exhibit extreme volatility and non-stationary dynamics that challenge conventional forecasting methods. Although Large Language Models (LLMs) have shown promise for time series forecasting, the combined effects of adaptation choices remain largely unexplored in financial settings. This study introduces PRICE, a structured approach for adapting LLMs to short-term Bitcoin price forecasting. Built on a 4-bit quantized LLaMA-3 8B model, PRICE investigates how fine-tuning, numerical representation, prompting, inference, and decoding jointly influence forecasting performance. PRICE integrates Parameter-efficient fine-tuning with Low-Rank Adaptation (LoRA), Recursive multi-step inference, Integer-rounded numerical representation, Context-Task-Format (CTF) prompting, and Exact zero-temperature decoding. Ablation studies show that each component contributes to forecasting accuracy and reliability. LoRA enables efficient training on limited hardware, recursive inference improves accuracy, integer-rounded values reduce errors, CTF prompting outperforms Chain-of-Thought, Implicit Chain-of-Thought (iCoT), and few-shot prompting, and zero-temperature decoding improves stability during recursive forecasting. Comparative evaluation against eight transformer-based and time-series foundation models shows that PRICE achieves the lowest forecasting errors on both validation and test sets while maintaining robust performance across evaluation periods. Despite being based on a model primarily pretrained on text rather than time-series data, PRICE achieves competitive or superior performance relative to specialized foundation models. These findings demonstrate that adaptation choices critically determine the accuracy and robustness of LLMs for numerical time-series forecasting.

arXiv cs.AI80

理清医疗问答中误导性上下文的机制

大型语言模型如今已能以专家级水平回答医疗问题。然而,这些系统所依据的上下文可能具有误导性,而误导性上下文会破坏模型的医疗判断。为了解误导性上下文如何破坏这种判断,我们考察模型对上下文的易受影响程度、对其的披露情况、推理被污染的机制,以及决策的可监控性。在 MedMisBench 的医疗推理子集上,这是一个经过临床医生审查的问答基准,包含 8,627 个问题,我们注入了两类误导性上下文线索:捏造证据和裸断言。我们测试了三种推理模型,其中两种会展示完整推理轨迹,另一种前沿模型只展示其回答。三者都比对捏造证据更容易受断言影响,采用被断言答案的频率高出 10 到 27 个百分点。误导性线索在 81% 到 98% 的轨迹中被披露,但在响应中仅有 7% 到 90%;而且断言被披露的频率低于基于证据的线索。不显示披露信息、仅对推理轨迹进行重采样表明,这两类线索以不同方式污染推理:证据更早进入并逐渐累积,而断言则在接近结尾时改写结论。一个 LLM 监控器在带引导地阅读开源模型的推理轨迹时,能以 5% 的假阳性率捕捉到 78% 的被污染决策,而从任何响应中最多只能捕捉到 32%。模型最容易受影响的误导性上下文恰恰是最少被披露的,而只有在开放的推理轨迹中才能被可靠地发现;前沿模型提供方会将这类轨迹隐藏起来。

arXiv cs.AI78

LLMs的竞争性市场行为

大型语言模型(LLMs)正越来越多地被用作经济代理,但关于LLM代理是否适合参与为人类设计的市场机制,以及这些机制在面对LLM代理时是否能产生预期结果,仍缺乏证据。为回答这一问题,我们复现了经典经济实验,并用LLM代理替代人类受试者。我们将代理置于双向拍卖环境中,这是一种广泛使用的市场机制。我们检验这种市场是否能够实现资源的有效配置,从而测试LLM代理对齐的一个新维度——它们与基本市场机制的兼容性。我们发现,由LLM代理组成的市场向市场均衡收敛更慢,甚至不收敛,因此其资源配置效率低于由人类组成的市场。随后,我们分析了代理的个体交易决策,发现不同模型家族以及不同市场角色之间都存在显著异质性。我们还对代理生成的Chain-of-Thought(CoT)轨迹进行了词汇分析。我们发现,选择执行交易而不是继续逐步调整价格,与从战略性考量转向紧迫感有关。我们已公开发布测试框架,供未来评估使用。

arXiv cs.AI72

超越人类监督扩展大型推理模型:迈向超级智能的路径

大型推理模型(LRMs)的最新进展表明,在数学和代码等结果可以被自动检查的领域,利用可验证奖励的强化学习(RLVR)能够显著提升推理能力。将这一进展扩展到开放式和智能体任务仍然很困难,因为可靠奖励更难获得,而且直接的人类监督无法跟上模型生成经验的规模与复杂性。本文研究了当人类监督逐渐退出学习循环时,LRMs 如何继续改进。我们从两个相互关联的维度考察这一问题。奖励维度追踪从逐实例的人类判断到可复用的验证器和奖励机制的发展,即使在没有人类反馈的情况下也能运行。经验维度考察学习如何从人工筛选的任务和环境,走向自生成课程、构造环境以及自主协同进化。我们通过一条从 L0 到 L4 的五级阶梯将这两个维度联系起来,用以识别学习过程中哪些部分仍持续受人类控制。我们的分析进一步强调了随着奖励和经验生成日益自主化而引入的风险,包括奖励作弊、反馈漂移、课程崩塌和环境错误。因此,我们也围绕三个互补对象进行评估:策略能力、反馈保真度和经验质量。这一分析为当前将 LRMs 扩展到超越人类监督的各种方法,以及开发迈向超级智能的自维持学习系统所面临的开放问题,提供了一个结构化的说明。此外,我们持续更新一个 \href{https://github.com/visitworld123/Awesome-Scaling-LRM-Beyond-Human-Supervision}{GitHub 仓库}以跟踪最新进展。

arXiv cs.AI76

使用模型检查作为判定标准的基于 LLM 的事后解释器自动化测试

大语言模型(LLM)被用作序列决策策略的事后解释器,用自然语言解释某个动作为何被选中。然而,LLM 常常生成看似合理但错误的陈述,而且现有方法尚不能系统地测试这类解释是否忠实于底层环境。这里有两个经典的软件测试难题:一是没有用于判断解释正确性的判定标准,二是测试输入——关于策略行为的自然语言查询——缺乏进行系统化测试用例生成所需的结构。我们同时解决这两个问题。概率模型检查提供了测试判定标准,可计算精确的参考结果,并据此自动评估 LLM 的回答。一个事后查询类别的分类体系围绕由环境层面事实构成的策略解释来组织输入空间;由此生成的测试用例根据特定问题的诊断难度分数进行优先排序。在七个 MDP 环境中,该测试将三种开源权重 LLM 区分开来:一种推理模型通过了 85% 的测试用例,一种中等规模模型通过了 70%,而一个 1B 模型的表现甚至低于随机基线;与此同时,优先排序显著筛选出了比随机选择更难的案例。我们的结果表明,在无模型设置下,LLM 生成的解释有多可信——在这种设置中使用的是同样的 LLM,但不存在可用于验证它们的判定标准。

arXiv cs.AI79

推理模型的思维链真实性会随偏好线索传递的位置和方式而变化

Chain-of-thought(CoT)监测假设推理轨迹能够忠实记录塑造模型答案的信息。现有的忠实性测试往往把显式偏好线索放在用户消息中,而智能体可能会通过工具返回结果或原始工件接触到偏好。我们提出 FACE-Eval(Faithful Attribution of Cue Effects Evaluation),这是一个包含 5,100 个样本的评估,变量包括线索位置(用户消息或工具返回)和显式性(直接摘要或原始工件)。我们在遵循线索的回答中衡量口头承诺,并在所有带线索样本中衡量未言明采纳。我们评估了来自 8 个家族的 15 个 open-weight 模型,总参数规模从 4B 到 1.60T 不等。对于每个模型,工具返回中的线索比用户消息中的线索带来的口头承诺都更低,隐式线索也比显式线索更低。对于全部 15 个模型,工具返回线索的未言明采纳都更高;在 30 个模型-通道比较中的 28 个里,隐式线索的未言明采纳也更高。来源归因提示在 7 个模型上缩小了通道差距,有时是通过提高用户通道的未言明采纳;而告知模型其推理将被监测并不能可靠地消除这一差距。我们还使用两个转录监测器(GPT-5.6-Luna 和 GPT-4o-mini)来检测每个家族中最大模型的偏好采纳。在 32 个模型-通道-显式性单元中,更高的未言明采纳与两个监测器更低的检测能力相关(Pearson r=-0.54 和 r=-0.78,分别如此)。这些结果表明,在此测试的单次调用、预填充工具场景下,当偏好信息通过工具传入或必须从原始工件中推断时,CoT 监测可能不那么可靠。

arXiv cs.AI73

MI-Distillation:从模型插值的指令-推理数据谱中选择,用于 Chain-of-Thought 蒸馏

大型推理模型(LRMs)的最新进展表明,通过长链式思维(Long CoT)推理,它们在复杂问题上表现出很强的性能。然而,将这类轨迹蒸馏到更小的学生模型中仍然具有挑战性:直接的 Long CoT 监督往往带来的收益有限,而且可能不如简洁的 Short CoT 理由有效。在这项工作中,我们从以梯度为中心的视角研究这一现象。我们的分析表明,与 Short CoT 相比,Long CoT 会产生更大的梯度幅度和更集中的更新方向,而且随着学生模型容量的增加,这种效应会更加明显。这些发现表明,有效的 Long CoT 蒸馏需要在推理轨迹的推理信息密度与其和学生模型的分布对齐之间取得平衡。受此启发,我们提出 \textbf{M}odel \textbf{I}nterporlation \textbf{Distillation}(\textbf{MI-Distillation}),一个通过模型插值构建连续 Instruct-Reasoning 数据谱的框架。为从该数据谱中选择合适的轨迹,我们进一步提出 \textbf{Seq}uential \textbf{L}earnable \textbf{S}urprisal \textbf{S}core(\textbf{SeqLSS}),它偏好对学生而言既信息丰富又可学习的推理路径。大量推理基准实验表明,MI-Distillation 能够在强大的 Long CoT 基线之上,一致地提升小模型的 CoT 蒸馏效果。

arXiv cs.AI71

Not All Eval-Awareness Is Equal: Capabilities Framing Predicts Compliance

Steering interventions targeting eval-awareness, a model's recognition that it is being tested, are increasingly used in safety evaluation pipelines, where evaluation-awareness is treated as a single quantity to be suppressed. We show that verbalized eval-awareness in chain-of-thought can be identified as capabilities-flavored ("the user is testing my ability to follow instructions"), safety-flavored ("the user is testing my boundaries"), both, or neither: framings that predict compliance very differently. On Qwen3-32B over the FORTRESS dataset, capabilities-framing predicts compliance with a +24 to +46 percentage-point gap over safety-framing across all tested steering conditions. A CoT-prefill intervention on eval-awareness-negative rollouts suggests the link is causal, with 10 of 11 prefills shifting compliance in the predicted direction. Then, eval-awareness is not behaviorally uniform: aggregate suppression rates can move while the safety-relevant component does not, and the same "X% suppression of eval-awareness" can correspond to qualitatively different behavioral outcomes.

arXiv cs.AI77

并行与分布式推理语言模型的性能基础

Reinforcement Learning with Verifiable Rewards(RLVR)及其他 RL 风格的后训练范式,已被用于使大语言模型(LLMs)与推理标准对齐。近期涌现的 Reasoning Language Models(RLMs),如 DeepSeek-R1、o3 和 Kimi k1.5,表明这种 RL 风格的后训练(“RL-for-LLMs”)能够显著提升思维链推理、长时程规划和自我纠错能力。然而,这些系统的计算开销极其庞大:最先进的 RLM 训练需要数百万 GPU 小时,以及紧耦合的多模型流水线,其对现代硬件的压力远超传统的监督式 LLM 训练。这使得 RLM 训练同样是一个并行与分布式系统问题,而不仅仅是算法问题。在这项工作中,为了促进同时具备高性能、可扩展性和成本效益的 RLM 开发,我们首先系统化 RL-for-LLM 范式,并从计算角度分析了几种重要的后训练算法框架:Proximal Policy Optimization(PPO)、Group Relative Policy Optimization(GRPO)及其变体。其次,我们构建了适用于 RL-for-LLMs 的模型内与模型间并行策略分类,涵盖传统技术(数据、张量、流水线、序列、上下文和专家并行)以及面向多模型 RLM 训练的新型并行与优化技术,例如解耦部署、阶段融合、混合并行和异步执行。我们借助并行计算的 work-depth 模型,使该分类及其洞见更加严谨且具可移植性。最后,我们分析了现有 RLM 框架,并提炼出构建可扩展、快速且成本效益高的 RLM 的实用指南,同时概述了未来开放研究方向。

arXiv cs.AI74

当文本误导时:面向音频落地对话的不一致感知推理

理解口语对话需要对词汇内容和副语言声学信号(如情绪和对话意图)进行联合推理。然而,现有评测往往允许模型通过转写文本或单一模态方案走捷径,从而掩盖模型是否真正基于语音进行落地推断。我们将这种失效模式形式化为跨模态分歧:转写文本指向看似合理但错误的表层解读,而韵律或说话风格等声学线索支持不同答案。我们提出一个可扩展框架,用于识别受文本偏置影响的表层解读,并将分歧区域转换为冲突型QA样例。我们还纳入了一致性样例,其中基于转写文本和基于语音的解读相互一致,使评测不再局限于对抗性音频依赖。由此得到 ContraTalk,一个受控基准,包含跨五个话语维度的501个问题:互动行为、情绪状态、对话行为、社会立场和对话意图。我们进一步提出一种 agentic 风格的推理框架,将语音转换为 Audio Twin,一种可被文本读取的局部声学线索表示,从而向推理模型暴露声学证据。实验表明,强大的纯文本 LLM 在一致性样例上准确率超过90%,但在冲突样例上下降到33-48%。直接使用 AudioLLMs 只能提供部分落地能力,在约30-40%的冲突样例中仍会选择由转写文本诱导的陷阱答案。我们的 Audio Twin 框架提高了冲突样例上的准确率并降低了陷阱选择率,但其在一致性样例上的表现仍依赖于底层模型。这些结果表明,基于转写文本的捷径是口语对话理解中的一个重要失效模式,并显示显式汇聚声学证据为诊断和改进语音落地推理提供了一个更可控的接口。

arXiv cs.AI79

正确诊断,装饰性推理:对医疗思维链的扰动审计

临床医生将思维链(CoT)理由视为医疗推理的证据,但这种可见的推理链是否真的承担了这一角色,几乎从未被检验。通用领域的 CoT 忠实性探针忽略了临床代价,而医疗 LLM 评估则把这条链视为黑箱。我们通过医疗扰动审计填补这一空白:一套由 30 个算子组成的测试集,使用具有临床动机的算子(严重程度反转、否定翻转、人口统计信息替换、证据消融)同时编辑推理链和问题,并结合推理链更新与答案翻转的联合分析,将每个模型按其失效模式分类。我们将其应用于 14 个 LLM,在四个医疗 QA 基准上进行测试,三项独立检验得出一致结论:链解耦率(CDR;推理链没有反映出编辑,答案也没有翻转)在具有临床意义的破坏性编辑上,整组达到 72.9%;推理链被污染并不会改变准确率;去除 CoT 提示也不会降低准确率。两位持有专科认证的临床医生重新标注了 N=197 个被扰动的问题;98.5% 仍保留可辩护的金标准答案。这一模式在医疗微调、推理微调以及不同规模上都成立;在闭源层级中,由于无法获得链文本,答案侧信号也与同样的解耦现象一致。我们的框架和 CDR 提供了一个可复用的标尺,用于审计医疗 CoT 是忠实的,还是仅仅是文档记录。

arXiv cs.AI74

学习何时思考:用于测试时计算分配的自适应推理

通过强化学习训练的推理语言模型通常在固定的 token 预算下运行,而不是采用明确自适应的预算,这可能导致在简单问题上过度计算、在困难问题上计算不足。我们研究模型能否通过将其回答的第一个 token 选择为三种模式之一来学习分配自身的推理 effort:\textsc{NoThink}(尽可能快速作答)、\textsc{Short}(简短推理)或 \textsc{Long}(扩展推理)。该选择是在 Group Relative Policy Optimization (GRPO) 内学习得到的,不使用单独的路由器;具体通过一种成形奖励,使每种模式在不同回答长度下都有价值,并结合严格的按模式 token 上限来保持各模式的区分。在一个基于 MATH 训练的 1.5B 蒸馏模型上,三种模式在没有坍缩为单一选择的情况下涌现出来,并且简短模式最终比 \textsc{Long} 更准确,这表明路由器是在按难度对问题进行分类,而不是随机分配。在三个随机种子上取平均后,所得策略在保留的 MATH500 上的准确率接近基础模型($0.782$ vs.\ $0.796$),同时将平均回答长度从 $4{,}796$ 个 token 降至 $2{,}811$ 个 token(减少 $41\%$)。有趣的是,它还可以在不重新训练的情况下迁移到其他基准测试,在问题更容易的地方节省最多,例如在 GSM8K 上减少 76\% 的 token,并且在相近回答长度下准确率高于基线。简而言之,我们构建了一个能够针对每个问题自适应选择推理量的推理模型。

arXiv cs.AI79

AI 会推荐谁的医生?对大型语言模型辅助选择医生中声誉与人口统计信号的算法审计

患者越来越多地询问大型语言模型(LLM)助手该看哪位医生,这使这些系统成为 AI 信息中介:在一个人对其他人的选择中居间作用的算法,并由此以无声且大规模的方式决定哪些医生变得可见。我们报告了一项预先设定的随机算法审计,考察哪些因素会对这些推荐产生因果影响。七个模型(六个开放权重模型;gpt-4o-mini)分别在五张合成的家庭医学医生卡片中进行选择,这些卡片的属性在 3,024 个选择集、三个患者画像、九种提示改写和九个实验组中独立随机化,共产生 40,068 条评分响应;性别和族裔通过姓名来传递信号,遵循通信审计方法。声誉信号占主导地位:将评分从 3.9 提高到 4.7 会使被选择概率增加 31.4 个百分点(pp),而将费用从 90 美元提高到 190 美元会使其降低 20.0 个百分点。人口统计均等性被拒绝,但方向并非人类审计研究所预测的方向:带有女性信号的姓名增加 2.5 个百分点,带有 Hispanic、South-Asian 和 Black 信号的姓名相对于带有 White 信号的姓名增加 1.3–2.9 个百分点;按费用等价计算,这些倾向相当于每次就诊 7–14 美元,而一个没有内容含义的首位排列位置价值 11 美元。然而,模型在其陈述理由中提及性别或族裔的比例最多只有 0.03%,并且在 0.39% 的试验中弃答,因此这些效应在模型自身解释中不可见,依赖模型自我报告的透明度义务无法检测到它们。一个推理模型直接未能通过预先设定的可审计性门槛。冻结的设计使审计可重复:任何新模型都可以在相同刺激下接受评估,这使得周期性行为审计,而非自我报告式解释,成为适合目的的监测技术。

OpenAI Blog55

Coding with OpenAI o1

Scott Wu, CEO and Co-Founder of Cognition, explains how OpenAI o1 makes coding decisions in a more human-like way.

OpenAI Blog54

Decoding genetics with OpenAI o1

Geneticist Catherine Brownstein demonstrates how OpenAI o1 can speed up the process of diagnosing rare medical challenges.

OpenAI Blog86

OpenAI o1 系统卡

本报告概述了在发布 OpenAI o1 和 o1-mini 之前开展的安全工作,包括根据我们的 Preparedness Framework 进行的外部红队测试和前沿风险评估。

OpenAI Blog85

检测前沿推理模型中的不当行为

前沿推理模型一有机会就会利用漏洞。我们表明,可以使用 LLM 监控它们的思维链来检测这些利用行为。惩罚它们的“坏想法”并不能阻止大多数不当行为——反而会让它们隐藏自己的意图。

OpenAI Blog90

gpt-oss-120b 与 gpt-oss-20b 模型卡

我们介绍 gpt-oss-120b 和 gpt-oss-20b,这两个开放权重推理模型根据 Apache 2.0 许可证和我们的 gpt-oss 使用政策提供。

OpenAI Blog88

gpt-oss-safeguard 技术报告

gpt-oss-safeguard-120b 和 gpt-oss-safeguard-20b 是两个开放权重推理模型,基于 gpt-oss 模型进行后训练,并经过训练以根据给定政策进行推理,从而按照该政策为内容打标签。在本报告中,我们描述了 gpt-oss-safeguard 的能力,并以底层 gpt-oss 模型作为基线,提供了我们对 gpt-oss-safeguard 模型的基线安全性评估。有关底层 gpt-oss 模型的开发和架构的更多信息,请参见原始 gpt-oss 模型卡。

OpenAI Blog82

推出 gpt-oss-safeguard

OpenAI 推出 gpt-oss-safeguard——用于安全分类的开放权重推理模型,使开发者能够应用并迭代自定义策略。

OpenAI Blog85

评估思维链的可监控性

OpenAI 推出了一个用于思维链可监控性的新框架和评估套件,涵盖 24 个环境中的 13 项评估。我们的研究结果表明,监控模型的内部推理远比仅监控输出更有效,随着 AI 系统能力不断增强,这为实现可扩展控制提供了一条有前景的路径。