這項(xiàng)由西安交通大學(xué)顏航、徐方植等研究者，聯(lián)合南洋理工大學(xué)、北京大學(xué)和新加坡國立大學(xué)共同完成的研究發(fā)表于2025年7月。該研究提出了一種名為"MUR"（動(dòng)量不確定性引導(dǎo)推理）的全新方法，讓大語言模型在推理時(shí)既能節(jié)省一半以上的計(jì)算資源，又能顯著提升準(zhǔn)確率。有興趣深入了解的讀者可以通過arXiv:2507.14958v1訪問完整論文。

當(dāng)今的AI大語言模型就像一個(gè)非常聰明但有時(shí)會(huì)"想太多"的學(xué)生。為了得到正確答案，它們往往在每個(gè)推理步驟都投入大量時(shí)間和計(jì)算資源去"深度思考"，即使是對付那些相對簡單的問題。這種現(xiàn)象被稱為"過度思考"，就好比用大炮打蚊子——效果可能不錯(cuò)，但代價(jià)過于昂貴。

研究團(tuán)隊(duì)發(fā)現(xiàn)了一個(gè)有趣的現(xiàn)象：當(dāng)AI模型在處理數(shù)學(xué)問題時(shí)，即使減少了50%以上的思考時(shí)間，其表現(xiàn)不僅沒有下降，反而有所提升。這個(gè)發(fā)現(xiàn)揭示了一個(gè)重要問題——現(xiàn)有的AI推理方法存在嚴(yán)重的資源浪費(fèi)。

為了解決這個(gè)問題，研究者們從物理學(xué)中的"動(dòng)量"概念獲得靈感。在物理學(xué)中，動(dòng)量能夠累積歷史信息并抵抗突然的變化，保持系統(tǒng)的穩(wěn)定性。研究團(tuán)隊(duì)將這個(gè)概念巧妙地應(yīng)用到AI推理中，創(chuàng)造出了MUR方法。

一、解開AI"過度思考"之謎

現(xiàn)代AI系統(tǒng)在推理時(shí)面臨一個(gè)類似人類學(xué)習(xí)的問題：如何在保證質(zhì)量的同時(shí)提高效率。當(dāng)前主流的測試時(shí)擴(kuò)展方法就像一個(gè)過分謹(jǐn)慎的廚師，無論是煎蛋還是烤火雞，都用同樣長的時(shí)間和同樣高的火候。這種"一刀切"的做法雖然能保證結(jié)果不出錯(cuò)，但顯然不夠聰明。

研究團(tuán)隊(duì)通過大量實(shí)驗(yàn)發(fā)現(xiàn)，AI在推理過程中確實(shí)存在大量不必要的計(jì)算浪費(fèi)。他們使用了三種不同大小的Qwen3模型（1.7B、4B和8B參數(shù)）在四個(gè)具有挑戰(zhàn)性的基準(zhǔn)測試上進(jìn)行驗(yàn)證，包括MATH-500數(shù)學(xué)題、AIME24和AIME25競賽題，以及GPQA-diamond科學(xué)問題。

結(jié)果令人驚訝：傳統(tǒng)方法就像一個(gè)學(xué)生在每道題上都花費(fèi)同樣的時(shí)間，無論題目難易。而實(shí)際上，有些步驟需要深入思考，有些步驟則可以直接得出答案。這種盲目的"用力過猛"不僅浪費(fèi)了寶貴的計(jì)算資源，有時(shí)甚至?xí)驗(yàn)檫^度分析而影響最終結(jié)果的準(zhǔn)確性。

更有趣的是，研究者發(fā)現(xiàn)不同難度的問題需要擴(kuò)展的步驟比例也不同。對于數(shù)學(xué)基礎(chǔ)題MATH-500，只需要對8.38%的步驟進(jìn)行擴(kuò)展；而對于更具挑戰(zhàn)性的AIME25競賽題，這個(gè)比例上升到17.83%。這就像不同復(fù)雜度的菜譜需要不同程度的精細(xì)操作一樣。

二、動(dòng)量不確定性：讓AI學(xué)會(huì)"輕重緩急"

研究團(tuán)隊(duì)的核心創(chuàng)新在于引入了"動(dòng)量不確定性"這個(gè)概念。這個(gè)方法的工作原理類似于一個(gè)經(jīng)驗(yàn)豐富的老師如何判斷學(xué)生在某個(gè)知識(shí)點(diǎn)上是否需要額外幫助。

具體來說，系統(tǒng)會(huì)持續(xù)跟蹤AI在每個(gè)推理步驟中的"不確定性"程度，就像監(jiān)測學(xué)生答題時(shí)的猶豫程度。當(dāng)系統(tǒng)發(fā)現(xiàn)當(dāng)前步驟的不確定性顯著高于歷史平均水平時(shí)，就會(huì)觸發(fā)更深入的思考過程；相反，如果當(dāng)前步驟相對簡單明確，系統(tǒng)就會(huì)直接輸出答案，避免不必要的計(jì)算浪費(fèi)。

這種動(dòng)量機(jī)制的巧妙之處在于它能夠平滑地處理不確定性的波動(dòng)。就像汽車的減震系統(tǒng)能夠吸收路面的顛簸一樣，動(dòng)量不確定性能夠避免因?yàn)閱蝹€(gè)步驟的偶然波動(dòng)而做出錯(cuò)誤的擴(kuò)展決策。它通過指數(shù)加權(quán)的方式給予近期步驟更高的權(quán)重，同時(shí)保留對歷史信息的記憶。

數(shù)學(xué)上，這個(gè)過程可以表示為一個(gè)遞歸公式：新的動(dòng)量不確定性等于舊的動(dòng)量不確定性乘以一個(gè)衰減因子，加上當(dāng)前步驟不確定性乘以相應(yīng)的權(quán)重。這種設(shè)計(jì)確保了系統(tǒng)既能對新情況快速響應(yīng)，又能保持整體判斷的穩(wěn)定性。

研究團(tuán)隊(duì)還提供了嚴(yán)格的理論證明，表明動(dòng)量不確定性在三個(gè)關(guān)鍵方面優(yōu)于簡單的步驟級不確定性：穩(wěn)定性更好（方差更?。?、收斂性更強(qiáng)（偏差隨時(shí)間減?。⒁约案玫恼劭坌庞梅峙淠芰?。這些理論保證確保了方法的可靠性和實(shí)用性。

三、γ控制機(jī)制：精準(zhǔn)調(diào)節(jié)推理預(yù)算

為了讓這個(gè)系統(tǒng)更加實(shí)用，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)名為"γ控制"的機(jī)制。這個(gè)機(jī)制就像汽車的油門，可以通過一個(gè)簡單的參數(shù)來精確控制推理資源的使用程度。

γ參數(shù)的工作原理非常直觀：當(dāng)γ值較小時(shí)，系統(tǒng)變得更加"節(jié)儉"，只在真正困難的步驟上投入額外資源；當(dāng)γ值較大時(shí)，系統(tǒng)變得更加"慷慨"，會(huì)對更多步驟進(jìn)行深入思考。這種設(shè)計(jì)讓用戶可以根據(jù)具體需求和資源限制來靈活調(diào)整系統(tǒng)行為。

實(shí)驗(yàn)結(jié)果顯示，通過調(diào)整γ參數(shù)，用戶可以在準(zhǔn)確率和計(jì)算效率之間找到最佳平衡點(diǎn)。當(dāng)γ設(shè)置為0.9時(shí)，系統(tǒng)在大多數(shù)任務(wù)上都能達(dá)到最佳的性價(jià)比。更重要的是，研究者發(fā)現(xiàn)當(dāng)γ值過大時(shí)（相當(dāng)于對幾乎所有步驟都進(jìn)行擴(kuò)展），系統(tǒng)性能反而會(huì)下降，這進(jìn)一步證實(shí)了"過度思考"確實(shí)是一個(gè)真實(shí)存在的問題。

通過大量的消融實(shí)驗(yàn)，研究團(tuán)隊(duì)驗(yàn)證了γ控制機(jī)制的有效性。他們測試了從0.1到0.9的不同γ值，發(fā)現(xiàn)隨著γ值的增加，準(zhǔn)確率和計(jì)算消耗都會(huì)相應(yīng)上升，但兩者之間存在一個(gè)最優(yōu)的平衡點(diǎn)。這種可控的權(quán)衡機(jī)制使得MUR方法能夠適應(yīng)不同的應(yīng)用場景和資源約束。

四、實(shí)驗(yàn)驗(yàn)證：全面超越現(xiàn)有方法

研究團(tuán)隊(duì)進(jìn)行了極其全面的實(shí)驗(yàn)驗(yàn)證，涵蓋了多個(gè)模型規(guī)模、多種測試時(shí)擴(kuò)展方法和多個(gè)具有挑戰(zhàn)性的基準(zhǔn)測試。實(shí)驗(yàn)設(shè)計(jì)就像一場精心安排的烹飪比賽，要在相同的條件下比較不同方法的表現(xiàn)。

在模型選擇上，研究者使用了Qwen3系列的三個(gè)不同規(guī)模版本：1.7B、4B和8B參數(shù)。這種多規(guī)模測試確保了方法的普適性，就像一個(gè)好的教學(xué)方法應(yīng)該適用于不同基礎(chǔ)水平的學(xué)生一樣。

測試的基準(zhǔn)包括了從基礎(chǔ)數(shù)學(xué)問題到高難度競賽題的完整光譜。MATH-500涵蓋了高中到大學(xué)水平的數(shù)學(xué)題目；AIME24和AIME25是美國數(shù)學(xué)邀請賽的真題，代表了數(shù)學(xué)競賽的頂尖難度；GPQA-diamond則測試了研究生水平的科學(xué)推理能力。這種全方位的測試確保了方法的魯棒性。

實(shí)驗(yàn)結(jié)果令人印象深刻。在所有測試配置中，MUR方法都實(shí)現(xiàn)了顯著的效率提升，平均節(jié)省了50%以上的計(jì)算tokens，同時(shí)準(zhǔn)確率還提升了0.62%到3.37%。這種"又快又好"的表現(xiàn)打破了傳統(tǒng)認(rèn)知中質(zhì)量與效率之間的矛盾。

特別值得注意的是，研究團(tuán)隊(duì)還進(jìn)行了對比實(shí)驗(yàn)，將MUR與隨機(jī)擴(kuò)展方法進(jìn)行比較。結(jié)果顯示，如果隨機(jī)選擇相同數(shù)量的步驟進(jìn)行擴(kuò)展，性能會(huì)比傳統(tǒng)的全步驟擴(kuò)展方法平均下降1.02%。這個(gè)對比實(shí)驗(yàn)強(qiáng)有力地證明了MUR確實(shí)能夠識(shí)別和優(yōu)先處理關(guān)鍵的推理步驟。

五、理論基礎(chǔ)：動(dòng)量物理學(xué)在AI中的應(yīng)用

MUR方法的理論基礎(chǔ)建立在對動(dòng)量概念的深刻理解之上。研究團(tuán)隊(duì)提供了三個(gè)重要的理論命題，為方法的有效性提供了數(shù)學(xué)保證。

第一個(gè)命題證明了動(dòng)量不確定性實(shí)際上是歷史步驟級不確定性的指數(shù)加權(quán)和，這意味著它能夠自然地強(qiáng)調(diào)最近的信息而逐漸淡化較早的歷史。這種設(shè)計(jì)模仿了人類記憶的特點(diǎn)——我們往往對最近發(fā)生的事情記憶更深刻，對久遠(yuǎn)的事情記憶逐漸模糊。

第二個(gè)命題從數(shù)學(xué)上證明了動(dòng)量不確定性具有更低的方差，這意味著它提供了更穩(wěn)定的不確定性估計(jì)。研究者通過假設(shè)每個(gè)步驟的不確定性包含真實(shí)信號和隨機(jī)噪聲兩部分，證明了動(dòng)量機(jī)制能夠有效抑制噪聲的影響，提供更可靠的判斷基礎(chǔ)。

第三個(gè)命題建立了動(dòng)量不確定性的收斂性保證。研究者證明了隨著推理步驟的增加，動(dòng)量不確定性的偏差會(huì)以指數(shù)速度趨向于零。這個(gè)理論結(jié)果確保了方法的長期穩(wěn)定性和可靠性。

這些理論結(jié)果不僅為MUR方法提供了堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，也為理解其工作機(jī)制提供了深刻的洞察。它們解釋了為什么簡單的歷史平均方法效果較差，以及為什么動(dòng)量機(jī)制能夠在這個(gè)特定問題上取得成功。

六、適用性與擴(kuò)展：從小模型到大模型的全覆蓋

MUR方法的一個(gè)重要優(yōu)勢是其廣泛的適用性。研究團(tuán)隊(duì)特別強(qiáng)調(diào)了這個(gè)方法的"正交性"——它可以與現(xiàn)有的各種測試時(shí)擴(kuò)展方法無縫結(jié)合，而不需要對原有系統(tǒng)進(jìn)行大幅修改。

研究者測試了四種主要的測試時(shí)擴(kuò)展方法。引導(dǎo)搜索方法類似于讓AI生成多個(gè)候選答案然后選擇最好的一個(gè)；LLM評判方法讓AI對自己的答案進(jìn)行反思和改進(jìn)；φ解碼方法使用前瞻采樣策略來選擇最優(yōu)路徑；思維模式則讓AI為每個(gè)步驟生成詳細(xì)的思考過程。

在所有這些不同的基礎(chǔ)方法上，MUR都能夠提供顯著的效率提升。這種一致性表明MUR捕捉到了推理過程中的某種基本規(guī)律，而不是針對特定方法的技巧性優(yōu)化。

特別有趣的是，研究團(tuán)隊(duì)還測試了MUR在大型推理模型上的表現(xiàn)。這些模型專門針對推理任務(wù)進(jìn)行了優(yōu)化，通常會(huì)生成非常詳細(xì)的思考過程。在這種情況下，MUR通過識(shí)別不需要深度思考的步驟，直接輸出答案而跳過冗長的思維過程，從而實(shí)現(xiàn)了計(jì)算資源的節(jié)省。

實(shí)驗(yàn)結(jié)果顯示，即使在這些已經(jīng)高度優(yōu)化的大型推理模型上，MUR仍然能夠在保持甚至提升準(zhǔn)確率的同時(shí)減少計(jì)算消耗。這個(gè)結(jié)果表明，即使是專門為推理設(shè)計(jì)的模型，仍然存在過度思考的問題，而MUR提供了一個(gè)通用的解決方案。

七、深入分析：揭示AI推理的內(nèi)在規(guī)律

研究團(tuán)隊(duì)不僅提出了有效的方法，還通過深入分析揭示了AI推理過程中的一些有趣規(guī)律。他們發(fā)現(xiàn)，不同難度的問題確實(shí)需要不同程度的推理擴(kuò)展，這與人類解題的直覺是一致的。

通過統(tǒng)計(jì)分析，研究者發(fā)現(xiàn)MUR平均只對6-7個(gè)推理步驟中的不到1個(gè)進(jìn)行擴(kuò)展。這個(gè)比例在不同的基準(zhǔn)測試中有所變化：相對簡單的問題需要擴(kuò)展的步驟更少，而復(fù)雜問題需要擴(kuò)展的步驟更多。這種自適應(yīng)行為正是MUR方法的核心價(jià)值所在。

更有趣的是，研究團(tuán)隊(duì)發(fā)現(xiàn)了推理步驟數(shù)量與計(jì)算消耗之間的反比關(guān)系。當(dāng)系統(tǒng)對更多步驟進(jìn)行擴(kuò)展時(shí)，總的推理步驟數(shù)量反而會(huì)減少。這個(gè)現(xiàn)象可以這樣理解：通過在關(guān)鍵步驟上投入更多思考，AI能夠更快地找到正確路徑，從而避免走彎路。

研究者還進(jìn)行了詳細(xì)的案例研究，展示了MUR在實(shí)際問題中的工作過程。在一個(gè)復(fù)雜的數(shù)學(xué)競賽問題中，MUR準(zhǔn)確識(shí)別出了兩個(gè)需要深入思考的關(guān)鍵步驟，而對其他相對簡單的步驟直接給出答案。最終，MUR不僅節(jié)省了大量計(jì)算資源，還得到了正確答案，而傳統(tǒng)的全步驟擴(kuò)展方法雖然在每個(gè)步驟都進(jìn)行了深入思考，卻走了彎路，最終得到了錯(cuò)誤結(jié)果。

八、超參數(shù)敏感性：系統(tǒng)穩(wěn)定性的全面驗(yàn)證

為了確保方法的實(shí)用性，研究團(tuán)隊(duì)對MUR的兩個(gè)關(guān)鍵超參數(shù)α和γ進(jìn)行了詳細(xì)的敏感性分析。這種分析就像測試一個(gè)新藥在不同劑量下的效果，確保它在實(shí)際應(yīng)用中的穩(wěn)定性和可靠性。

對于動(dòng)量參數(shù)α的分析顯示，當(dāng)α在0.5到0.9的范圍內(nèi)時(shí)，MUR都能保持穩(wěn)定的性能優(yōu)勢。只有當(dāng)α設(shè)置為過小的值（如0.1）時(shí)，動(dòng)量機(jī)制才會(huì)因?yàn)樽兓^于激烈而影響性能。這種寬泛的有效參數(shù)范圍使得MUR在實(shí)際應(yīng)用中具有很好的魯棒性。

γ參數(shù)的分析更是揭示了方法的靈活性。通過調(diào)整γ值，用戶可以在計(jì)算效率和推理質(zhì)量之間找到最適合自己需求的平衡點(diǎn)。當(dāng)資源充足時(shí)，可以設(shè)置較大的γ值以獲得更高的準(zhǔn)確率；當(dāng)資源緊張時(shí)，可以設(shè)置較小的γ值以最大化效率。

研究團(tuán)隊(duì)特別指出，在實(shí)際應(yīng)用中，他們推薦使用α=0.9和γ=0.9作為默認(rèn)設(shè)置。這組參數(shù)在絕大多數(shù)情況下都能提供良好的性能，同時(shí)保持了方法的簡單性和易用性。

九、計(jì)算復(fù)雜度：理論效率的量化分析

從計(jì)算復(fù)雜度的角度來看，MUR方法展現(xiàn)出了顯著的理論優(yōu)勢。傳統(tǒng)的全步驟擴(kuò)展方法的計(jì)算復(fù)雜度與推理步驟數(shù)量成正比，而MUR通過選擇性擴(kuò)展將這個(gè)復(fù)雜度降低了50%以上。

更重要的是，MUR引入的額外計(jì)算開銷極小。動(dòng)量不確定性的計(jì)算只需要簡單的加權(quán)平均操作，其計(jì)算復(fù)雜度可以忽略不計(jì)。擴(kuò)展決策的判斷也只需要一次簡單的閾值比較。這意味著MUR的效率提升幾乎是"免費(fèi)"的，不會(huì)帶來顯著的額外負(fù)擔(dān)。

研究團(tuán)隊(duì)還分析了不同模型規(guī)模下的效率提升情況。他們發(fā)現(xiàn)，雖然較大的模型（如8B參數(shù)）在絕對計(jì)算量上更大，但MUR帶來的相對效率提升是一致的。這表明該方法的核心原理不依賴于模型的具體規(guī)模，具有良好的可擴(kuò)展性。

在內(nèi)存使用方面，MUR只需要維護(hù)一個(gè)簡單的動(dòng)量狀態(tài)變量，內(nèi)存開銷微乎其微。這使得該方法可以輕松部署到資源受限的環(huán)境中，如移動(dòng)設(shè)備或邊緣計(jì)算設(shè)備。

十、實(shí)際應(yīng)用潛力與未來發(fā)展

MUR方法的實(shí)際應(yīng)用潛力是巨大的。在教育領(lǐng)域，它可以幫助AI家教系統(tǒng)更智能地分配計(jì)算資源，對學(xué)生的困難問題提供深入解答，對簡單問題快速響應(yīng)，從而提供更自然的學(xué)習(xí)體驗(yàn)。

在企業(yè)應(yīng)用中，MUR可以顯著降低AI推理系統(tǒng)的運(yùn)營成本。對于需要處理大量推理任務(wù)的應(yīng)用，如智能客服、技術(shù)支持或決策輔助系統(tǒng)，50%的計(jì)算資源節(jié)省意味著巨大的成本優(yōu)勢。

從技術(shù)發(fā)展的角度來看，MUR為AI推理領(lǐng)域開辟了一個(gè)新的研究方向。它證明了通過更智能的資源分配策略，可以同時(shí)實(shí)現(xiàn)效率和質(zhì)量的提升，打破了傳統(tǒng)認(rèn)知中兩者不可兼得的觀念。

研究團(tuán)隊(duì)也指出了一些潛在的改進(jìn)方向。未來的工作可能會(huì)探索更復(fù)雜的不確定性建模方法，或者研究如何根據(jù)不同類型的推理任務(wù)動(dòng)態(tài)調(diào)整策略。另一個(gè)有趣的方向是將MUR的思想應(yīng)用到其他類型的AI任務(wù)中，如圖像理解或多模態(tài)推理。

此外，隨著AI模型規(guī)模的不斷增長，計(jì)算效率將變得越來越重要。MUR提供的選擇性計(jì)算框架可能會(huì)成為未來大規(guī)模AI系統(tǒng)的標(biāo)準(zhǔn)組件，幫助這些系統(tǒng)在保持強(qiáng)大能力的同時(shí)控制計(jì)算成本。

說到底，這項(xiàng)研究解決了AI推理中一個(gè)既實(shí)際又深刻的問題。它不僅提供了一個(gè)立即可用的解決方案，還為我們理解和優(yōu)化AI推理過程提供了新的視角。就像物理學(xué)中的動(dòng)量概念幫助我們理解物體運(yùn)動(dòng)的規(guī)律一樣，動(dòng)量不確定性可能會(huì)成為理解AI推理過程的一個(gè)重要工具。

對于普通用戶來說，這意味著未來的AI助手將變得更加高效和實(shí)用。它們將能夠快速處理簡單問題，同時(shí)在復(fù)雜問題上提供深入的分析，提供更好的用戶體驗(yàn)。對于技術(shù)開發(fā)者來說，MUR提供了一個(gè)簡單而有效的工具來優(yōu)化AI系統(tǒng)的性能，無需對現(xiàn)有架構(gòu)進(jìn)行大幅修改。

最終，這項(xiàng)研究表明，有時(shí)候"少即是多"的哲學(xué)同樣適用于AI系統(tǒng)。通過更智能地選擇何時(shí)深入思考，AI可以變得既更高效又更準(zhǔn)確。這不僅是一個(gè)技術(shù)突破，也是對AI如何更好地模仿人類智能的深刻思考。對于那些希望深入了解技術(shù)細(xì)節(jié)的讀者，完整的研究論文可以通過arXiv:2507.14958v1獲取，其中包含了詳細(xì)的數(shù)學(xué)推導(dǎo)和實(shí)驗(yàn)數(shù)據(jù)。

Q&A

Q1：MUR方法是什么？它是如何工作的？ A：MUR（動(dòng)量不確定性引導(dǎo)推理）是一種讓AI更聰明地分配計(jì)算資源的方法。它像一個(gè)經(jīng)驗(yàn)豐富的老師，能夠判斷哪些推理步驟需要深入思考，哪些可以直接給出答案。通過跟蹤AI在每個(gè)步驟的"不確定性"程度，當(dāng)發(fā)現(xiàn)某個(gè)步驟明顯比歷史平均水平更困難時(shí)，就會(huì)觸發(fā)更深入的計(jì)算；對于簡單步驟則直接輸出答案，從而避免不必要的計(jì)算浪費(fèi)。

Q2：使用MUR方法會(huì)不會(huì)影響AI推理的準(zhǔn)確性？ A：不僅不會(huì)影響，反而會(huì)提升準(zhǔn)確性。實(shí)驗(yàn)結(jié)果顯示，MUR在節(jié)省50%以上計(jì)算資源的同時(shí)，還能將準(zhǔn)確率提升0.62%到3.37%。這是因?yàn)檫^度思考有時(shí)會(huì)讓AI走彎路，而MUR通過在關(guān)鍵步驟投入更多精力，在簡單步驟避免過度分析，實(shí)際上幫助AI找到更直接有效的解題路徑。

Q3：MUR方法可以應(yīng)用到哪些場景中？ A：MUR具有很強(qiáng)的通用性，可以與現(xiàn)有的各種AI推理方法結(jié)合使用。在教育領(lǐng)域，可以讓AI家教更智能地回答問題；在企業(yè)應(yīng)用中，可以顯著降低智能客服、技術(shù)支持等系統(tǒng)的運(yùn)營成本；在科研和開發(fā)中，可以讓研究者用更少的資源訓(xùn)練和測試AI模型。由于它不需要對現(xiàn)有系統(tǒng)進(jìn)行大幅修改，幾乎可以應(yīng)用到任何需要AI推理的場景中。