VERS：通过编辑激活解释来引导推理模型

论文提出 VERS 方法，利用自然语言自编码器（NLA）在推理链的怀疑点编辑解释并转化为固定方向，在段落分隔处注入来引导推理模型。在 GSM8K 全量测试上，VERS 减少 45.8% 生成 token，准确率仅下降 0.82 个百分点；在 MATH-500 上节省 31.3% token，准确率下降 3.05 个百分点。该方法可迁移到 Qwen3 235B-A22B 等更大模型，节省 30-35% token，token 与准确率的权衡介于已发表的 SEAL 和 DEER 之间。但在竞赛级难题上，各模型尺寸均损失 3-7 个百分点，单一固定方向难以区分必要检查与多余检查。