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

基于摘要分析。本文研究大语言模型推理时计算（Inference-Time-Compute，ITC）中的候选多样性与推理过程可控性问题，提出 STATe-of-Thoughts（STATe），通过搜索高层推理动作而非仅依赖高温度采样生成分支，使文本生成过程更具可解释性。其主要研究对象是大语言模型的文本生成与推理搜索，并非 EEG 解码或 BCI。 机制上，controller 选择编码高层推理决策的动作，generator 在这些动作条件下生成推理步骤，evaluator 对候选进行评分以引导搜索。分支因此对应离散、可解释的文本干预，而非单纯的 token 级随机采样。摘要未提供具体动作模板、组件实现、评分方式或搜索预算。 作者报告，动作引导的文本干预能够影响模型生成，并比基于温度的采样产生更高的响应多样性；在论证生成案例中，显式动作序列包含对输出质量具有较强预测性的可解释特征。此外，作者报告可通过估计动作选择与性能之间的关联，识别尚未探索但有潜力的动作区域，并据此引导生成。摘要未给出数据集、模型、样本规模、多样性指标及量化结果；实验协议、消融及统计信息尚未验证，动作与质量的关联也不应直接解释为因果关系。 作者将适用范围定位于存在多种解法、且需要理解输出成功原因的任务。平台推测（待验证）：若 BCI 辅助交互任务具有可明确列举的文本推理策略，该动作搜索框架或可用于组织与解释候选生成，但这不是神经信号解码性能的证据。现有材料不足以制定具体 EEG 迁移实验，相关 EEG 工作尚未检索确认。复现前需核对动作空间定义、评估器可靠性，以及与 Best-of-n、Tree-of-Thoughts 在相同计算预算下的比较协议。