**GradCuit：梯度分配实现鲁棒可解释的测试时潜在推理**

_GradCuit: Credit-Assigned Gradient Flow Enables Robust and Interpretable Test-Time Latent Reasoning_

> GradCuit提出在Transformer层中插入可优化潜在状态，通过因果自注意力实现从完整续写到潜在状态的直接梯度分配，避免传统方法通过解码token间接分配信用的局限。在五个指令微调骨干模型、三个推理基准上，GradCuit平均准确率达64.5%，超越思维链提示6.6个百分点，且在不同学习率下表现更稳定，标准差从1.53降至0.82。梯度归因分析显示潜在影响集中于推理连接token，早期至中期Transformer层为最优优化空间。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2608.02585)