CODI：通过自蒸馏将思维链压缩到连续空间

基于摘要分析。本文研究 LLM 能否在潜在连续空间中进行推理，以减少自然语言 Chain-of-Thought（CoT）的开销，同时缩小隐式 CoT 与显式 CoT 的性能差距。作者提出 CODI（Continuous Chain-of-Thought via Self-Distillation），通过联合训练显式 CoT 教师任务与隐式 CoT 学生任务，将自然语言推理能力蒸馏到连续表示中。 核心机制是对齐某个指定 token 的隐状态，以此连接教师与学生的推理表示。相较于直接绕过语言的既有隐式 CoT 方法，CODI 利用显式推理作为训练信号。摘要未提供该 token 的选择、对齐损失形式、连续推理步骤的构造或完整推理流程，这些实现细节尚未验证。 作者报告，在 GPT-2 规模、GSM8k 任务上，CODI 达到与显式 CoT 相当的性能，实现 3.1 倍压缩，并较此前最优隐式 CoT 方法取得 28.2% 的准确率提升。摘要未明确压缩率的计量对象，也未说明准确率提升是相对百分比还是百分点，不能据此换算或推导绝对 Accuracy。作者声称这是首次在上述条件下实现隐式与显式 CoT 性能匹配；具体基线、数据划分、实验协议、消融及统计信息尚未验证。 作者还报告鲁棒性、向复杂数据集的泛化能力及可解释性，但摘要未给出相关数据集、指标或分析方法，因此这些结论仍需正文核对。材料提供了代码仓库，训练配置、资源需求与复现完整性尚未验证。 本文的主要研究对象是语言模型推理，而非神经信号解码。其机制依赖显式 CoT 教师信号及可对齐的隐状态，摘要未提供与 EEG/BCI 瓶颈的具体对应关系，不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。