LightThinker++：从推理压缩到记忆管理

大型语言模型在复杂推理中表现优异，但长思维链导致认知开销剧增。本文提出 LightThinker++，通过引入显式自适应记忆管理机制，动态将中间思维压缩为紧凑语义表示，并利用专用轨迹合成管道训练有目的的记忆调度。该方法在行为层面管理记忆原语，有效避免静态压缩造成的细节丢失。实验表明，其在长程代理任务中显著降低令牌用量并提升性能，为可持续深度推理提供了可扩展方向。