重新审视潜在思维链：解耦表示与监督

基于摘要分析。本文研究语言模型的潜在思维链（latent CoT）推理：以连续隐藏状态替代显式文本 token，目标是加速推理。作者提出 LatentGrid，将表示约束与监督策略解耦，并据此提出 Adaptive Curriculum Thinking（ACT），探索灵活表示、显式中间监督与渐进式训练如何共同影响隐式推理。 核心机制方面，LatentGrid 在共享实验设置下分别改变表示约束与监督策略，考察它们对任务准确率、推理过程可恢复性、分布对齐和优化动态的独立及联合影响。其主要价值是提供可比较的分析框架，而不只是比较若干同时改变表示与训练目标的方法。 作者报告，在摘要所述统一实验设置下，不受约束的连续表示配合直接源自推理过程的监督，更有利于保留可恢复的推理信息；课程学习有助于从显式文本推理过渡到隐式推理。作者还报告，将潜在状态限制为词表嵌入的混合通常会降低表现并限制表示能力。摘要未给出具体任务、数据集、基线或量化结果，因而无法判断这些结论的适用范围与效应大小。 ACT 将课程学习与直接监督、token 级监督结合。作者报告，该训练范式提高了推理准确率，并支持自适应生成长度；但实际推理延迟、计算成本及生成长度变化尚未验证，不能将准确率改善直接等同于已实现加速。 本文主要研究对象是语言模型推理，并非 EEG 或 BCI 解码。摘要未提供足以建立具体神经信号迁移路径的证据，不据此推断 BCI 有效性。模型规模、监督目标的具体构造、课程调度、实验协议、消融及统计信息尚未验证；复现仍需全文中的实现与训练配置。