STATe-of-Thoughts：用于 Tree-of-Thoughts 的结构化动作模板

基于摘要分析。该研究面向大语言模型文本生成，探讨推理时计算（Inference-Time-Compute，ITC）方法如何获得有意义的输出多样性，并使推理方式更可控、可解释。作者提出 State-of-Thoughts（STATe），以高层推理动作的结构化搜索替代仅依赖高温采样的候选扩展；它不是面向神经信号的状态空间模型。 机制上，controller 选择编码高层推理方式的离散动作，generator 根据这些动作生成推理步骤，evaluator 对候选评分并引导搜索。搜索分支因此对应可解释的文本干预，而非仅由 token 级随机采样产生。其主要对照思路是 Best-of-n、Tree-of-Thoughts 等 ITC 方法中依赖温度采样获得多样性的做法；具体基线配置与计算预算尚未验证。 作者报告，动作引导的文本干预能够影响 LLM 生成，并比基于温度的采样产生更高的回答多样性；在论证生成案例中，显式动作序列所包含的可解释特征对输出质量具有较强预测力。作者还报告，通过估计动作选择与性能的关联，可以识别尚未探索但有潜力的动作区域，并据此引导生成。这里的关联分析不应直接解读为动作对质量的因果效应。摘要未提供多样性和质量指标的定义、数值、数据划分或统计不确定性，实验协议、消融及统计信息尚未验证。 作者将其适用范围定位于允许多种解法、且需要理解输出为何成功的任务。复现时需核对动作模板、controller 与 evaluator 的实现、生成模型、搜索预算及质量评估协议。当前材料未建立该文本推理机制与 EEG 解码瓶颈的具体对应关系，不据此提出神经信号迁移效果或实验建议；已有 EEG 相关工作尚未检索确认。