LaSER：将显式推理内化至稠密检索的潜在空间

大型语言模型虽具备强大推理能力，但当前检索器仅将其作为静态编码器，未能挖掘其复杂推理潜力。现有“重写再检索”方法因生成显式思维链导致高延迟。本文提出 LaSER，一种自蒸馏框架，将显式推理内化至稠密检索器的潜在空间。通过双视图训练机制及多粒度对齐策略，特别是轨迹对齐机制，使检索器能在无需自回归生成的情况下进行高效的“静默思考”。实验表明，该方法在推理密集型基准测试中显著优于最先进基线，兼具显式推理的深度与标准检索的效率。