熵门控潜在递归

推理时缩放已成为提升语言模型推理能力的主导手段，但现有方法仅依赖随机 token 级采样获取多样性。本文指出该单轴采样空间的局限性，并提出第二维度：在高不确定性 token 处递归重应用冻结模型的顶层解码器（层跨度 L）。通过熵门控潜在递归（EGLR），无需训练即可生成确定性多样 rollout。实验表明，L 轴与温度采样正交互补，显著扩展候选解空间，在 MATH-500 等基准上大幅提升推理准确率，为不依赖随机噪声的推理时缩放开辟新方向。