**几何潜在推理在LLM中引致更短生成**

_Geometric Latent Reasoning Induces Shorter Generations in LLMs_

> 大型语言模型通常通过生成冗长的显式推理链来解决复杂问题，但这种方式效率低且局限于离散自然语言。本文提出几何潜在推理（GLR），将潜在推理形式化为模型预训练词嵌入空间中的几何路径近似问题。GLR利用轻量级过渡头预测嵌入空间中的迭代方向更新，并以文本思维链作为锚点，在Qwen3模型上的数学推理基准测试中，发现了一个涌现现象：无需显式长度目标，几何潜在推理就能显著缩短生成长度。用连续的潜在步骤替代早期的显式推理，模型通常只需更少的总生成步骤即可得到正确答案，揭示了潜在计算预算、输出长度和准确性之间新的权衡关系。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.02248)