13:07arXiv cs.LG@Guancheng Tu, Xiangjun Fu, Suhao Yu, Yao Tang, Haoqiang Kang, Lianhui Qin, Yizhe Zhang, Jiatao Gu精选大型语言模型通过显式思维链(CoT)提升推理能力,但文本CoT强制中间计算通过离散、串行的令牌流进行,效率低下。潜在推理通过在紧凑连续状态中进行中间计算,提供了更高带宽的替代方案。然而,现有潜在推理方法牺牲了CoT的关键优势,如从左到右生成、概率采样、KV缓存兼容性和可处理似然估计。本文提出NF-CoT框架,通过在LLM骨干网络内实例化TARFlow风格的归一化流,对从显式CoT中提取的紧凑连续思维进行可处理概率建模。NF-CoT在代码生成基准测试中,相比显式CoT和先前潜在推理基线,提高了通过率,同时大幅降低了中间推理成本。论文潜在推理归一化流思维链代码生成NF-CoT推荐理由:NF-CoT解决了潜在推理中丢失CoT关键优势的痛点,做LLM推理优化和代码生成的开发者可以直接参考其方法,提升效率。原文