11:05arXiv cs.AI@Lukas Aichberger, Sepp Hochreiter精选论文提出 Reasoning in Memory (RiM) 方法,用固定内存块替代自回归生成推理步骤,让大模型在单次前向传播中完成潜在推理。该方法受人类工作记忆启发,通过两阶段课程训练:先预测显式推理步骤来锚定内存块,再丢弃步骤级监督直接优化最终答案。实验表明,RiM 在多个推理基准上匹配或超越现有潜在推理方法,且计算效率更高。这为提升大模型推理能力提供了新思路,尤其适合需要高效推理的场景。论文推理模型潜在推理工作记忆计算效率RiM推荐理由:RiM 解决了自回归推理计算效率低的问题,做模型推理优化的研究者可以直接参考其两阶段训练方法。原文