NEX：用于无标签思维链选择与模型排名的神经元探索 - 利用评分

大语言模型在推理时常采样多条思维链轨迹，导致瓶颈从生成转向选择。本文提出 NEX，一种无标签的白盒评分框架，将推理视为探索（E）与利用（X）的交替过程。通过检测稀疏激活缓存中每令牌新激活的 MLP 神经元尖峰来识别 E 阶段，并利用隐马尔可夫模型推断相位，根据神经元在后续 X 阶段的重用情况赋予权重。该方法无需任务答案即可对候选回答进行排名，在多个推理基准上有效预测了下游准确率并识别出更优模型变体。