课程学习扩展模型隐式推理，收益趋于饱和

基于摘要分析。本文研究课程学习能否扩展 LLMs 在单次前向传播中的隐式推理深度，方法是在微调过程中逐步增加训练样例的词汇量与 lookahead，即为确定正确下一步而需要向前搜索的步数。研究对象是语言模型的推理能力，而非 EEG 解码或 BCI。 作者将隐式推理与 chain-of-thought（CoT）区分：前者不把中间推理步骤显式输出为 token，但可在生成 CoT 时帮助模型预判下一步、选择证明策略。本文训练课程同时调整词汇量和前瞻深度；其各自作用及交互关系需结合全文消融核对，不能仅凭摘要确定收益来源。 作者报告，在计算量匹配的课程训练与无课程训练对照下，Qwen3-0.6B 在前瞻深度最高为 256 的问题上，Accuracy 分别为 98% 和 45%。具体问题构造、训练与测试划分以及该数值的汇总方式尚未验证。作者还报告，合成数据上获得的能力可迁移至自然语言推理：课程训练模型在 11 个自然语言推理基准上优于等计算量的无课程训练模型；摘要未列出基准名称及逐项结果。 随着微调继续，作者报告进展呈饱和指数趋势；更大模型具有更高的拟合上限，预训练后微调的进展远快于从头训练，而过大的课程步长会使进展停滞。作者据此提出模型可能存在可学习的最大内在前瞻深度，但有限训练范围内的拟合不能直接视为能力上限的证明。实验协议、消融、统计信息及复现条件尚未验证。该结果尚不构成 EEG/BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。