使用 Activation State Machine 引导 LLM 的推理

基于摘要分析。本文研究如何在增强 LLM 专门推理能力的同时，减少对原有通用能力的影响，提出受控制理论状态空间模型启发的 Activation State Machine（ASM）。其核心贡献是将恒定、无状态的激活干预改为依赖推理历史的动态引导，而非通过监督微调注入技能。 机制上，ASM 从一组示例中学习理想推理轨迹的潜在动态，并在推理时对 LLM 隐藏状态施加实时校正。相较于持续施加固定干预的激活引导，作者强调其能够响应推理过程随时间和历史发生的变化。摘要未说明潜在状态如何表示、如何更新、干预哪些隐藏状态，以及学习目标、训练成本和推理开销，这些细节尚未验证。 作者报告，ASM 在数学推理和物理推理等多个领域提升了零样本 Accuracy，但摘要未给出具体模型、数据集、划分、基线或提升幅度。对于无关的创意写作任务，作者报告监督微调导致显著性能下降，而 ASM 保留了超过 95% 的基础模型流畅性，该流畅性以 perplexity 衡量。这一表述不能等同于保留超过 95% 的全部通用能力；其比例计算方式及 perplexity 的评估设置需核对全文。 本文的主要对象是 LLM 推理控制，并非 EEG 解码或 BCI。摘要不足以确立其状态动态与神经信号处理之间的具体对应关系，因此不据此推断 BCI 有效性。复现前需取得状态更新与干预实现、示例构造方式、任务评估协议及对照配置；实验协议、消融及统计信息尚未验证，相关 EEG 工作尚未检索确认。