**无需重训：改写推理历史可压缩模型思维链并降低成本**

_Why Pay for Long Reasoning When Rewrite Do Trick? Causal Effects of Reasoning History Compaction on Future Generation and Agent Cost_

> 研究证实，在不重新训练开源模型的情况下，仅通过将其早期的冗长推理过程改写为紧凑的状态记录，即可显著缩短后续生成的推理长度。实验表明，这种“推理历史压缩”策略能有效减少未来的推理 token 消耗，并在软件代理部署中降低总成本，同时保持任务质量，为提升 AI 推理效率提供了新的可行路径。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.03852)