CODI：通过自蒸馏将思维链压缩到连续空间

基于摘要分析。本文研究 LLMs 能否在潜在连续空间中进行推理，同时缩小隐式 Chain-of-Thought（CoT）与自然语言显式 CoT 的性能差距。作者提出 CODI（Continuous Chain-of-Thought via Self-Distillation），通过自蒸馏将自然语言推理过程压缩到连续空间，主要研究对象是语言模型推理，而非 EEG 或 BCI。 机制上，CODI 联合训练显式 CoT 教师任务与隐式 CoT 学生任务，通过对齐指定 token 的隐藏状态，将语言形式的推理能力迁移到连续表示。与直接绕过自然语言的既有隐式 CoT 方法相比，其关键思路是利用显式推理任务提供训练约束。摘要未说明具体损失形式、token 选择、连续推理步数及训练与推理流程，这些细节尚未验证。 作者报告，在 GPT-2 规模、GSM8k 评估中，CODI 达到与显式 CoT 相当的性能，实现 3.1 倍压缩，并在 Accuracy 上较此前最优隐式方法提升 28.2%。摘要未明确压缩率的计算口径，也未说明 28.2% 是相对提升还是百分点差，因此不能进一步换算。作者将其称为首个在该条件下匹配显式 CoT 性能的隐式方法；这一优先性主张尚未独立核验。作者还报告了鲁棒性、向复杂数据集泛化及可解释性，但摘要未提供相应数据集、指标或分析依据。 复现时需核对教师与学生的参数共享方式、隐藏状态对齐位置、训练监督、数据划分、对照基线及压缩成本口径；实验协议、消融及统计信息尚未验证。材料未提供 EEG/BCI 验证，也不足以建立具体的神经信号任务迁移路径；已有 EEG 相关工作尚未检索确认。