Draft-Thinking 提出高效长链推理适配框架
热点事件持续更新
Draft-Thinking 提出高效长链推理适配框架
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Jie Cao 等作者提出 Draft-Thinking，一种通过学习模型自适应的精简草稿 CoT 来降低长链思维推理成本的轻量适配框架。据该研究，它仅用 847 道训练题和 120 步强化学习优化，即可在六个数学与科学推理基准上降低推理成本。 在 MATH500 上，其草稿模式把平均响应长度从 5,668 tokens 降至 986 tokens，减少 82.6%，准确率为 90.6%，而原长 CoT 模型为 93.0%。该方法无需事后轨迹压缩或显式长度惩罚奖励，推理时提供草稿、自适应、逐步三种模式。
AI 根据报道生成 · 3 小时前更新
最新进展10月15日 12:00
Draft-Thinking：在长链思维 LLM 中学习高效推理报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.CLDraft-Thinking：在长链思维 LLM 中学习高效推理
Draft-Thinking 是一种轻量适配框架，通过学习模型自适应的精简草稿 CoT 来降低长链思维推理成本。它用 847 道训练题和 120 步 RL 优化，在 MATH500 上把平均响应长度从 5,668 降至 986 tokens（减少 82.6%），准确率 90.6%，原长 CoT 模型为 93.0%。该方法无需事后轨迹压缩或显式长度惩罚奖励，推理时提供草稿、自适应、逐步三种模式。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。