DynaAct：基于动态动作空间的大语言模型推理

基于摘要分析。本文研究大语言模型在复杂问题求解中的序贯决策：手工定义的动作空间难以扩展，而非结构化动作空间又使穷举搜索代价过高。DynaAct 的核心贡献是自动构建紧凑的候选动作集合，以支持更高效的序贯推理。 机制上，方法先利用大语言模型，从涵盖多类复杂推理问题的语料中提取通用草图，作为完整动作空间的近似；再构造同时考虑候选动作对当前状态的效用及动作间多样性的子模函数，通过贪心算法选取候选集合。摘要未说明草图的具体表示、效用与多样性的计算方式、集合大小约束，以及是否涉及额外训练。贪心选择的近似保证与适用条件也尚未验证，不能据摘要将其视为全局最优解。 作者报告，在六个不同的标准基准上，该方法提升了整体性能，并维持高效推理、未引入显著延迟；但摘要未提供基准名称、具体指标、增益幅度、对照方法或延迟测量条件，因此尚不能比较效果大小或复现计算开销。作者提供了实现链接，代码内容、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 BCI 系统中存在需要逐步选择指令或操作的高层决策环节，其“状态相关效用＋动作多样性”的候选筛选机制可能用于压缩操作集合，而非直接改进 EEG 解码。迁移需要可枚举的动作库、可靠的状态与效用估计，并将推理草图替换为任务操作模板；低信噪比导致的状态误判、跨被试差异及小数据下效用估计不稳，均可能使正确动作过早被剪除。一个可证伪的小实验是在固定解码器和动作库下，对比全动作集、固定大小随机子集与动态筛选，记录任务成功率、正确动作保留率及端到端延迟。该对应关系并非本文已验证结果，已有 EEG 相关工作尚未检索确认。