大规模程序性知识提升推理能力

测试时扩展虽能提升语言模型推理能力，但现有方法常孤立处理问题，未能系统复用先验推理轨迹中的程序性知识。本文提出“推理记忆”框架，通过检索增强生成显式复用大规模程序性知识。该方法将现有推理轨迹分解为子问题 - 子程序对，构建含 3200 万条目的知识库。推理时，模型利用轻量提示提取核心子问题，检索相关子程序作为隐式先验指导推理。实验表明，该框架在多项基准测试中显著优于传统检索及计算量匹配的基线方法。