知止而后定：用于减少过度思考的段级信用分配

推理语言模型常出现“过度思考”现象，生成冗长且无益的行为链（如犹豫、放弃策略、自相矛盾），消耗令牌却未提升答案质量。研究表明，即便控制回复长度，错误轨迹中的无效自我反思率仍高于正确轨迹。针对此问题，本文提出利用推理轨迹中的中间答案承诺作为低成本代理，通过对比候选答案与真实值判断后续反思的有效性。基于此，作者提出了 DASH（漂移感知优势塑造）方法，根据推理片段是否导向正确性进行段级信用分配。在数学竞赛基准测试中，DASH 在过度思考高发场景下取得了最高准确率，同时显著减少了无效行为并提升了自我修正的生产力。