大型語言模型（LLMs）在解決復(fù)雜推理任務(wù)方面取得了驚人成就，但它們的推理過程往往效率低下，像是一位既想炫技又不知如何聚焦的廚師，在烹飪簡單菜肴時使用了過多的食材和步驟。這項由麻省理工學(xué)院計算機科學(xué)與人工智能實驗室的Junhong Lin與Virginia Tech的Xinyue Zeng（共同第一作者）、Virginia Tech的Jie Zhu和Dawei Zhou、弗吉尼亞大學(xué)的Song Wang、麻省理工學(xué)院的Julian Shun以及密歇根州立大學(xué)的Jun Wu共同完成的研究，發(fā)表于2025年5月22日的arXiv預(yù)印本平臺（arXiv:2505.16122v1）。研究團隊發(fā)現(xiàn)了現(xiàn)今主流大型語言模型存在的一個普遍失效模式——"過度思考"（overthinking），即模型即使面對簡單問題也會生成冗長且離題的推理過程。

想象你請一位朋友幫你計算1+2+3+4+...+99+100的和。一個高效的解答可能是使用求和公式n(n+1)/2得出結(jié)果5050。然而，如果這位朋友開始詳細列出每一步加法運算，甚至討論各種不同的計算方法，最后才得出答案，這就是"過度思考"。反之，如果你的朋友只回答"5050"而不展示任何計算過程，這又可能是"思考不足"（underthinking）。

研究團隊通過實證分析發(fā)現(xiàn)，這種推理效率低下通常源于模型缺乏明確的問題解決策略。為了解決這個問題，他們開發(fā)了一個理論模型——貝葉斯預(yù)算分配模型（BBAM），將推理過程視為一系列具有不同不確定性水平的子問題序列，并引入了E?（效率感知有效性評估）指標來衡量正確性與計算效率之間的權(quán)衡。

基于BBAM的理論結(jié)果，研究團隊提出了"計劃與預(yù)算"（PLAN-AND-BUDGET）框架，這是一種模型無關(guān)的測試時框架，它將復(fù)雜問題分解為子問題，并基于估計的復(fù)雜度通過自適應(yīng)調(diào)度分配令牌預(yù)算。就像一個有經(jīng)驗的項目經(jīng)理，他會先規(guī)劃整個工作流程，然后根據(jù)每個任務(wù)的難度和重要性分配資源，確保整個項目既準確又高效地完成。

實驗結(jié)果表明，這一框架在各種任務(wù)和模型上顯著提高了推理效率，取得了高達70%的準確率提升，39%的令牌（token）使用減少，以及E?指標的187.5%改善。特別值得注意的是，這一方法使較小的模型（DS-Qwen-32B）達到了與較大模型（DS-LLaMA-70B）相當?shù)男剩C明了"計劃與預(yù)算"框架能夠在不需要重新訓(xùn)練的情況下縮小模型間的性能差距。

一、研究背景：大型語言模型的推理效率挑戰(zhàn)

大型語言模型展現(xiàn)出強大的泛化能力，使它們能夠在不需要任務(wù)特定重新訓(xùn)練的情況下執(zhí)行廣泛的任務(wù)，從數(shù)學(xué)問題求解到科學(xué)問答，再到結(jié)構(gòu)化推理。近期在測試時計算方面的進展，如思維鏈（Chain-of-Thought）提示、自一致性（self-consistency）和工具增強推理，顯著提高了它們在復(fù)雜多步推理任務(wù)上的表現(xiàn)。

然而，當這些模型應(yīng)用于現(xiàn)實場景時，特別是在需要在嚴格的計算和時間約束下進行深思熟慮推理的場景中，出現(xiàn)了新的挑戰(zhàn)。研究團隊發(fā)現(xiàn)了一個突出的問題：推理行為在推理過程中缺乏校準。盡管大型語言模型擅長多步推理，但它們往往難以調(diào)節(jié)對給定任務(wù)適當?shù)耐评砼Τ潭取?/p>

這種失調(diào)表現(xiàn)為兩種主要失效模式：過度思考（overthinking）和思考不足（underthinking）。過度思考就像一位過于熱心的導(dǎo)游，在帶你參觀一個簡單的景點時，詳細講解每一塊磚的歷史，而不是聚焦于主要景點；思考不足則像匆忙的導(dǎo)游，只給你指個大致方向就離開了，讓你錯過了許多重要景點。

最近的一些方法嘗試通過在提示中引入硬性令牌約束（如"使用少于B個令牌"）來緩解過度思考。雖然這些策略在較簡單的任務(wù)上可能有效，但它們往往通過誘導(dǎo)思考不足而降低了復(fù)雜查詢的性能，突顯了固定的、非自適應(yīng)方法的局限性。

二、推理失調(diào)現(xiàn)象的分析

研究團隊對從32B到200B參數(shù)的最先進大型語言模型的測試時推理行為進行了全面實證研究，發(fā)現(xiàn)了一種普遍現(xiàn)象，稱為"推理失調(diào)"（REASONING MISCALIBRATION）——模型在推理過程中表現(xiàn)出不受調(diào)節(jié)的推理深度。

想象你要爬一座山。過度思考就像在平坦的山腳花費大量時間研究地質(zhì)和植被，而思考不足則像在陡峭的山頂匆忙通過而不確保安全。兩種情況都會影響你成功登頂?shù)男屎桶踩浴?/p>

研究表明，推理失調(diào)通常由兩類查詢觸發(fā)：

1. 瑣碎但模糊的查詢：這類問題引發(fā)分散的令牌分布，導(dǎo)致猜測性推理。就像當你問一個模糊的問題"今天天氣怎么樣？"，卻沒有提供具體地點，導(dǎo)致回答者不得不猜測并提供各種可能情況。

2. 困難且罕見的查詢：在這些情況下，模型進行淺層的試錯，沒有有意義的收斂。就像面對一個從未見過的復(fù)雜拼圖，不知從何下手，只能隨機嘗試幾塊拼圖，而沒有系統(tǒng)性的策略。

研究團隊通過不確定性視角分析了推理失調(diào)——通過模型在每一步的邊緣下一個令牌分布的熵來量化。這個分布反映了模型對可能的后續(xù)內(nèi)容的信念，熵越高表示猶豫或模糊程度越大。研究發(fā)現(xiàn)，高熵往往與不必要的深度推理（即過度思考）相關(guān)，而在早期步驟觀察到的低熵往往導(dǎo)致推理過早截斷（即思考不足）。

基于這些見解，研究團隊引入了貝葉斯預(yù)算分配模型（BBAM），這是一個將計算與不確定性對齊的理論資源分配模型。BBAM將推理概念化為一系列子問題，每個子問題具有不同程度的不確定性，并為具有較高不確定性的子問題分配更多的計算預(yù)算，實現(xiàn)更加校準和高效的推理。

從這個角度出發(fā)，他們得出了有效推理的兩個關(guān)鍵原則：

1. 推理應(yīng)該是結(jié)構(gòu)化的：將復(fù)雜查詢分解為更小、更有針對性的子問題有助于減少猜測性探索。就像拆解一個大項目為多個小任務(wù)，每個任務(wù)都有明確的目標和邊界。

2. 計算應(yīng)該是自適應(yīng)的：早期推理步驟通常具有更高的不確定性，因此值得更多的計算關(guān)注。就像學(xué)習(xí)一項新技能，初始階段需要更多關(guān)注和練習(xí)，而隨著熟練度提高，所需關(guān)注度逐漸減少。

三、貝葉斯預(yù)算分配模型（BBAM）的理論基礎(chǔ)

為了解決推理失調(diào)問題，研究團隊需要一種原則性方法來為具有不同不確定性的子問題分配計算資源?，F(xiàn)有方法缺乏正式機制進行這種自適應(yīng)分配，往往統(tǒng)一對待所有推理步驟，導(dǎo)致預(yù)算使用效率低下并加劇推理失調(diào)。

BBAM模型就像一位智慧的資源管理者，它知道如何在不同的子任務(wù)之間分配有限的資源，以獲得最大的整體效益。在這個模型中，研究團隊采用貝葉斯決策理論公式，通過最小化總不確定性來最大化推理效用。

模型假設(shè)一個逆冪律支配著子問題sij在令牌分配bij的情況下的認知不確定性（epistemic uncertainty）減少：

Uepistemic(sij | bij) = cij / bij^βij

其中cij > 0反映初始認知不確定性，βij ≥ 1捕獲減少該不確定性的復(fù)雜性（較高的βij對應(yīng)于更容易減少不確定性）。

總不確定性被建模為認知和偶然（aleatoric）組件的總和：

U(sij | bij) = cij / bij^βij + Ualeatoric(sij)

這里，Ualeatoric被視為相對于bij的常量，因為它反映了無法通過額外推理努力減輕的不可約不確定性。

成功解決子問題sij的效用被定義為與其不確定性成反比：

r(sij | bij) = α · (1 - U(sij | bij))

其中α是基于模型/任務(wù)的縮放因子。查詢xi的總效用則是：

Rtotal = Σ r(sij | bij)

最優(yōu)預(yù)算分配解決了以下約束優(yōu)化問題：

max Σ α · (1 - cij/bij^βij - Ualeatoric(sij)) s.t. Σ bij ≤ Bi

通過引入拉格朗日乘數(shù)λ處理預(yù)算約束并求解得到的拉格朗日函數(shù)，研究團隊得出最優(yōu)性原則：

bij = Bi · ((cijβij)^(1/(βij+1))) / (Σk (cikβik)^(1/(βik+1)))

這個分配規(guī)則揭示了bij和βij之間的單峰關(guān)系，即令牌預(yù)算隨著復(fù)雜性增加到峰值，然后隨著進一步努力產(chǎn)生遞減收益而減少。這種關(guān)系是緩解推理失調(diào)的關(guān)鍵：中等難度的子問題獲得更多令牌以避免思考不足，而過于困難的問題獲得較少令牌以防止過度思考。

BBAM因此提供了一種原則性、自我調(diào)節(jié)的機制，使推理努力與推理價值保持一致，就像一個優(yōu)秀的項目經(jīng)理知道何時深入投入資源，何時采取更輕量級的方法。

四、"計劃與預(yù)算"框架：實現(xiàn)高效推理的實用方法

雖然BBAM提供了最優(yōu)令牌分配的原則性方法，但在實踐中估計其參數(shù)（如跨子問題減少不確定性的復(fù)雜性）具有挑戰(zhàn)性。為了彌合理論見解與實際應(yīng)用之間的差距，研究團隊引入了"計劃與預(yù)算"（PLAN-AND-BUDGET）框架，這是一種使用輕量級、基于衰減的預(yù)算調(diào)度器來近似BBAM原則的結(jié)構(gòu)化推理框架。

這個框架就像一個兩階段的項目管理系統(tǒng)：首先制定詳細計劃，確定所有需要完成的任務(wù)及其優(yōu)先級；然后根據(jù)每個任務(wù)的復(fù)雜性和重要性分配資源，確保整個項目既準確又高效地完成。

### 計劃階段：問題分解作為引導(dǎo)腳手架

受人類問題解決策略的啟發(fā)，研究團隊使用查詢分解作為推理腳手架來提高效率和專注度。計劃過程分為兩個階段：

第一階段是自動規(guī)劃。一個輕量級規(guī)劃函數(shù)P將xi分解為子問題的有序序列πi及其估計的復(fù)雜度評分Di：

P(xi) → (πi, Di), πi = ?si1, si2, ..., sim?, Di = ?di1, di2, ..., dim?

其中，πi表示分解計劃——一個包含m個子問題的序列，每個sij是針對查詢xi的特定子問題的自然語言提示。向量Di包含相應(yīng)的復(fù)雜度評分，每個dij ∈ R>0反映解決sij的估計復(fù)雜度。

分解計劃πi不一定是唯一或保證最優(yōu)的，但充當軟腳手架——引導(dǎo)主要大型語言模型的合理高級推理路徑。規(guī)劃函數(shù)P可以通過在輕量級大型語言模型中應(yīng)用分解提示來實現(xiàn)。

隨后，這些復(fù)雜度評分dij被歸一化為權(quán)重向量wi：

wij = dij / Σk dik

這個歸一化權(quán)重wij代表查詢總"復(fù)雜度"中歸因于第j個子問題的比例。這個權(quán)重向量在后續(xù)的預(yù)算分配機制中起關(guān)鍵作用，決定總令牌預(yù)算Bi如何分配給各個子問題。

第二階段是引導(dǎo)推理。在將xi分解為子問題?si1, ..., sim?并分配令牌預(yù)算bi1, ..., bim后，主要推理大型語言模型依次在其預(yù)算bij內(nèi)回答每個sij，產(chǎn)生如下響應(yīng)：

aij = fLLM(sij, bij)

其中fLLM表示預(yù)算約束的生成過程。這一約束通過防止在個別步驟上過度使用令牌來緩解推理失調(diào)。在所有子問題都得到回答后，綜合函數(shù)S匯總響應(yīng)，回答原始查詢xi：

yi = S(ai1, ..., aim)

### 預(yù)算階段：基于衰減的預(yù)算分配

雖然貝葉斯公式提供了基于子問題特定不確定性參數(shù)（cij和βij）的最優(yōu)分配策略，但在實踐中可靠地估計這些值通常是不可行的。為彌補這一差距，研究團隊引入了一系列基于衰減的調(diào)度函數(shù)，以輕量級和實用的方式近似不確定性感知的預(yù)算分配。

這些函數(shù)為早期子問題分配更多令牌，基于這樣的觀察：認知不確定性在推理開始時通常最高——此時發(fā)生基礎(chǔ)理解和策略形成。早期令牌投資產(chǎn)生更大的不確定性減少，與公式1中認知不確定性的冪律行為一致。相比之下，后期步驟通常范圍更窄或更確定性，在這些階段過度分配令牌會浪費推理努力，因為額外計算無法減少不可約的偶然不確定性，并在認知收益上產(chǎn)生遞減收益。因此，衰減函數(shù)為預(yù)算優(yōu)先級提供了原則性啟發(fā)式方法，將預(yù)算集中在最有價值的地方。

給定查詢xi的歸一化復(fù)雜度權(quán)重向量wi = {wi1, ..., wim}和總令牌預(yù)算Bi，令牌分配使用以下公式：

bij = (wij · dij / Σk wik · dik) · Bi

其中dij = schedule(j, m)為子問題j在長度為m的序列中分配位置優(yōu)先級，反映早期步驟通常具有更高認知不確定性并值得更多預(yù)算的信念。

研究團隊探索了幾種衰減策略：

1. 無衰減：對所有子問題給予相等優(yōu)先級；預(yù)算跟隨wij。 2. 線性衰減：優(yōu)先級隨j線性減少；強調(diào)早期步驟。 3. 多項式衰減：對早期步驟有更強調(diào)；在p > 1時更陡峭。 4. 指數(shù)衰減：指數(shù)級優(yōu)先考慮較早的子問題；由γ ∈ (0, 1)控制。 5. 余弦退火：具有中序列靈活性的平滑衰減；ε增加穩(wěn)定性。

這些衰減函數(shù)作為BBAM貝葉斯最優(yōu)分配的實用替代品，啟發(fā)式地針對推理中最具認知影響力的階段。不同的衰減策略產(chǎn)生不同的分配模式，即使在均勻復(fù)雜度下也是如此，多項式衰減和余弦退火偏好早期步驟，線性提供漸進下降，指數(shù)衰減提供平衡分布——展示基于衰減的調(diào)度如何靈活地調(diào)整令牌強調(diào)以匹配推理任務(wù)的結(jié)構(gòu)。

五、實驗設(shè)計與評估方法

為評估"計劃與預(yù)算"框架的有效性和效率，研究團隊在三種推理密集型下游任務(wù)上進行了廣泛實驗。他們使用所提出的E?指標評估了原始準確率和計算感知推理效率。

### 數(shù)據(jù)集

研究團隊評估"計劃與預(yù)算"框架在三個代表性基準上的表現(xiàn)：

1. MATH-500：一個包含500個數(shù)學(xué)問題的數(shù)據(jù)集，需要多步符號推理，通過準確率評估。 2. NaturalInstructions：一個多樣化的指令跟隨基準，使用ROUGE分數(shù)評估。 3. TravelPlanner：一個具有挑戰(zhàn)性的智能體規(guī)劃任務(wù)，在無工具設(shè)置中通過硬約束通過率評估。該基準反映了長視野、滿足約束推理的挑戰(zhàn)，GPT-4-Turbo在最好的情況下也只達到22.2%。

### 模型

研究團隊測試了四種最先進的、公開可用的推理調(diào)優(yōu)大型語言模型：

1. DeepSeek-R1-Distill-Qwen-32B (DS-Qwen-32B) 2. QwQ-32B 3. DeepSeek-R1-Distill-LLaMA-70B (DS-LLaMA-70B) 4. OpenAI o4-mini

這些模型平衡了性能和可訪問性，并針對復(fù)雜推理進行了專門優(yōu)化。對于規(guī)劃和預(yù)算，他們使用非推理大型語言模型LLaMA-3.3-70B-Instruct。為確保它不會無意中影響最終答案質(zhì)量，研究團隊評估了它在三個基準上的獨立表現(xiàn)，發(fā)現(xiàn)它的表現(xiàn)不如專業(yè)模型：MATH-500上為75.2±0.68，NaturalInstructions上為41.46±0.41，TravelPlanner上為28.75±2.1。這證實了它作為中立規(guī)劃者的角色。

### 評估指標

研究團隊報告了以下指標：

1. 分數(shù)（%）：每個數(shù)據(jù)集中使用的原始評估指標； 2. 平均令牌數(shù)：每個查詢計費的完成令牌的平均數(shù)量，包括推理和輸出令牌； 3. E?指標：捕獲正確性與計算成本之間的平衡。

E?指標被定義為：E? = A · (A/T) = A?/T，其中A表示在一組查詢中達到的平均準確率，T表示每個查詢使用的平均解碼令牌數(shù)。通過平方準確率項，E?更加強調(diào)正確性，不鼓勵以犧牲輸出質(zhì)量為代價減少令牌使用的退化策略。

### 基線

研究團隊將他們提出的框架與幾個基線進行了比較：

1. 原始方法：查詢直接提供給大型語言模型，沒有規(guī)劃或令牌約束； 2. 全局預(yù)算：與原始方法相同，但帶有令牌限制提示（如"使用少于Bi個令牌"）； 3. 規(guī)劃原始/全局預(yù)算：與上述相同，但提供原始查詢及其分解的子問題； 4. 計劃與預(yù)算：查詢、子問題和本地預(yù)算提示都提供。

他們探索了本地分配的幾種調(diào)度策略： a) 均勻：每個子問題相等的令牌數(shù)； b) 加權(quán)：與估計難度成比例； c) 線性、多項式、指數(shù)、余弦：按難度加權(quán)，帶有額外衰減（使用p = 2和γ = 0.9）。

對所有模型和基線應(yīng)用8192個令牌的硬截斷，以防止失控生成。他們報告了所有模型和基線在5次運行中的平均值和標準偏差。

六、實驗結(jié)果與分析

實驗結(jié)果表明，"計劃與預(yù)算"框架在所有數(shù)據(jù)集和模型規(guī)模上始終優(yōu)于原始和全局預(yù)算基線，在E?上實現(xiàn)高達187.5%的改進，同時保持相當甚至更高的準確率。

### 數(shù)學(xué)推理任務(wù)（MATH-500）

在MATH-500上，研究方法一致地將E?提高了20%以上——例如，在QwQ-32B上從3.20 → 3.93（+22.8%），在o4-mini上從13.25 → 15.95（+20.3%）。重要的是，這一成就是在不影響準確率的情況下實現(xiàn)的。雖然全局預(yù)算基線減少了令牌使用，但由于缺乏不確定性感知，其收益有限。

值得注意的是，單獨規(guī)劃（規(guī)劃全局預(yù)算）已經(jīng)提高了效率4-15%，驗證了第一個關(guān)鍵原則：推理應(yīng)該是結(jié)構(gòu)化的。這種腳手架大大減少了猜測性探索。此外，E?使跨模型比較變得容易——例如，o4-mini始終實現(xiàn)了最高的E?，盡管與其他模型相比準確率相似，因為它使用的令牌最少。這強調(diào)了E?作為實用效率指標的重要性。

### 指令跟隨任務(wù)（NaturalInstructions）

在NaturalInstructions上，"計劃與預(yù)算"將E?提高了16.8-36.3%。例如，在QwQ-32B上，它從1.47 → 2.00（+36%），在o4-mini上，從4.88 → 5.62（+15%）。盡管這些任務(wù)更加面向指令，但"計劃與預(yù)算"仍然有益。

### 智能體規(guī)劃任務(wù)（TravelPlanner）

在最開放式和具有挑戰(zhàn)性的基準TravelPlanner上，研究團隊觀察到最顯著的收益：E?從DS-Qwen-32B上的0.16 → 0.46（+187.5%），從DS-LLaMA-70B上的0.49 → 0.95（+93.8%），從o4-mini上的0.056 → 0.101（+80.3%）。這些結(jié)果強調(diào)，任務(wù)越復(fù)雜，結(jié)構(gòu)和適應(yīng)性的好處就越大。

### 主要發(fā)現(xiàn)

1. 研究方法在保持相當準確率的情況下實現(xiàn)了顯著的效率提升。在NaturalInstructions上，"計劃與預(yù)算"將E?提高了16.8-36.3%。例如，在QwQ-32B上，它從1.47 → 2.00（+36%），在o4-mini上，從4.88 → 5.62（+15%）。盡管這些任務(wù)更加面向指令，但"計劃與預(yù)算"仍然有益。

2. 本地預(yù)算一致地提高了效率。雖然單獨的結(jié)構(gòu)化規(guī)劃就能提高效率，但添加本地預(yù)算會帶來顯著的額外收益。例如，在MATH-500上，QwQ-32B的E?從3.34 → 3.93（+17.6%）；在NaturalInstructions上，從1.61 → 2.00（+24.2%）；在TravelPlanner上，從0.38 → 0.56（+47.3%）。這些結(jié)果證實了適應(yīng)預(yù)算到子問題的重要性，而不是應(yīng)用全局分配。

3. 前加載調(diào)度在復(fù)雜任務(wù)上表現(xiàn)最佳。在本地預(yù)算調(diào)度器中，多項式衰減和余弦退火在數(shù)學(xué)和長形式規(guī)劃任務(wù)上一致地提供最高的E?。這些策略前加載計算——為早期、不確定的步驟分配更多預(yù)算，建立推理方向。這種模式在MATH-500和TravelPlanner上特別有效，在這些任務(wù)中，推理開始時的清晰度至關(guān)重要。相比之下，在NaturalInstructions上，加權(quán)或均勻調(diào)度通常表現(xiàn)最佳，表明對于結(jié)構(gòu)更清晰、模糊性較少的任務(wù)，平滑、均勻的推理就足夠了。

4. 縮小小型和大型模型之間的差距。研究方法是模型無關(guān)的：它不需要重新訓(xùn)練或微調(diào)，僅依賴于提示和輕量級規(guī)劃。研究團隊觀察到跨模型規(guī)模的一致改進——從像QwQ-32B這樣的小型模型到像DeepSeek-R1-70B和o4-mini這樣的大型模型。一個特別值得注意的結(jié)果來自TravelPlanner，一個緊湊的模型（DS-Qwen-32B）最初只達到E? = 0.16，但在應(yīng)用"計劃與預(yù)算"后達到E? = 0.46——與沒有規(guī)劃的更大模型相當（DS-LLaMA-70B，E? = 0.50）。這表明規(guī)劃和預(yù)算可以作為強大的推理時均衡器，通過更好的計算利用率縮小小型和大型模型之間的差距。

七、結(jié)論與未來展望

研究團隊提出了"計劃與預(yù)算"，這是一個輕量級的測試時框架，通過結(jié)合結(jié)構(gòu)化規(guī)劃和不確定性感知的令牌預(yù)算來提高大型語言模型的推理效率。建立在他們的貝葉斯預(yù)算分配模型（BBAM）基礎(chǔ)上，"計劃與預(yù)算"將推理建模為一系列子問題，并基于估計的難度自適應(yīng)地分配計算。

在三種不同推理任務(wù)上的實驗表明，"計劃與預(yù)算"在強基線上實現(xiàn)了顯著的計算效率改進，而不影響準確率。盡管有效，但他們的方法目前需要額外的大型語言模型調(diào)用來生成分解計劃。

在未來的工作中，研究團隊計劃微調(diào)和開發(fā)專用的規(guī)劃大型語言模型，將計劃與預(yù)算策略內(nèi)化，實現(xiàn)單一模型內(nèi)的端到端高效推理。這將進一步簡化推理過程，消除對外部規(guī)劃模型的需求，同時保持計算效率的提升。

這項研究為更高效、更可擴展的大型語言模型推理開辟了新的途徑，特別是在資源受限的環(huán)境中。通過減少不必要的計算而不犧牲準確率，"計劃與預(yù)算"框架使大型語言模型的高級推理能力變得更加實用和廣泛可用，有可能將其好處擴展到更廣泛的應(yīng)用和用戶群體。