**SLPO：通过代理策略实现潜在推理的扩展**

_SLPO: Scaling Latent Reasoning via a Surrogate Policy_

> 研究提出SLPO方法，将基于结果奖励的强化学习引入自回归潜在推理器。该方法通过经验代理策略密度进行轨迹级信用分配，并结合正确性监督的停止头，解决了潜在轨迹缺乏可处理似然和自适应停止接口的问题。实验表明，SLPO在并行采样下提升了Pass@k指标，并能根据实例难度动态分配更长的潜在计算时间，从而获得更高的确定性准确率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-23 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.19691)