摘要
大型推理模型通过生成长思维链提升性能，但在代理应用中效率低下。现有代理常在每步生成冗长文本推理，导致多轮交互效率低。本文提出自适应潜在代理推理（ALAR）双模框架：常规步骤使用紧凑潜在推理，必要时升级为显式思维链。该方法以动作作为监督锚点学习潜在推理，并在任务成功时优先使用潜在模式。实验表明，ALAR 在保持或提升准确率的同时，显著减少生成 token 数量，优化了精度与效率的权衡。
AI 推荐理由
论文提出自适应潜在推理框架，核心优化 Agent 的推理模式与效率，属推理机制研究。
研究机构
University of California, Davis
University of Waterloo
Greenshoe, Inc.
论文信息