追踪推理轨迹：用于高效且准确推理的潜在空间指标

基于摘要分析。本文研究如何从推理模型生成中间推理 token 时的内部表征变化，识别更可能得到正确答案的推理轨迹，并据此提高测试时计算扩展的效率。作者提出 Latent-Space Metrics，以隐状态变化幅度及轨迹几何特征描述推理过程，而非仅依据输出 token 判断最终答案是否正确。 核心机制是将逐步生成过程中的隐状态视为潜在空间轨迹，提取其动态特征作为答案正确性的预测信号。摘要未给出指标公式、隐状态取自哪些层或位置、是否需要监督校准，以及如何将指标接入具体的测试时计算分配策略，这些实现条件尚未验证。 作者报告，这些指标能够在所评估的不同模型及推理领域中持续区分正确与错误轨迹；用于测试时计算扩展后，token 用量最高减少 70%，同时保持准确性，或实现平均 2.6% 的准确性提升。摘要未说明该 2.6% 是相对增幅还是百分点变化，也未提供具体模型、任务、数据划分、对照基线和统计区间，因此两项收益的适用条件及是否对应同一设置尚未验证。复现还需核对隐状态提取与指标计算带来的额外时间、显存成本，不能仅以 token 减少量等同于总计算成本下降。 该研究的主要对象是生成式模型的推理轨迹，并非 EEG 或 BCI 解码。摘要未建立其隐状态几何特征与神经信号任务之间的具体对应关系，因此不据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。实验协议、消融及统计信息尚未验证。