面向大语言模型与视觉语言模型的递归思考 - 回答过程

针对现有思维链模型在单次推理中易出错的问题，本文提出高效的递归思考 - 回答过程（R-TAP）。该方法引入置信度生成器评估响应确定性，并通过两种互补奖励机制引导模型进行迭代推理循环。实验表明，R-TAP 在提升大语言模型和视觉语言模型准确率的同时，显著减少了自我反思模式的出现频率，实现了更稳定、快速的推理过程，为未来 AI 推理优化提供了新路径。