解密Prompt系列68. 告别逐词蹦字 - 重塑 Transformer 的推理范式

Transformer 的核心范式一直是“Next Token Prediction”——像接龙一样，一个词一个词地往后蹦。虽然 OpenAI o1 和 DeepSeek-R1 通过 Chain of Thought (CoT) 开启了“慢思考”时代，但其本质依然是通过生成更多的显性 Token 来换取计算时间。

这就带来了一个巨大的效率悖论：为了想得深，必须说得多。这一章我们看四篇极具代表性的论文（Huginn, COCONUT, TRM, TiDAR），它们不约而同地试图打破这一局限：能否在不输出废话的情况下，让模型在内部“空转”思考？ 甚至打破自回归的束缚，进行全局规划？

Hugin：内生循环思考提升深度

• Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach

这篇论文的核心在于打破大模型推理时计算量恒定的限制，提出了一种在“深度”上进行循环的架构，从而实现了在隐空间（Latent Space）进行递归推理。

🚨 核心痛点：固定计算图与动态难度的矛盾

传统的 LLM 一旦训练完成，其层数（Depth）是固定的。这意味着无论输入是简单的“1+1”还是复杂的数学证明，模型在生成每一个 Token 时消耗的 FLOPs是一样的 。这显然不符合直觉——难题应该需要更多的“思考时间”。因此我们有了COT和现在的Reasoning模式。

• 现状：为了处理难题，现在的 CoT 策略不得不强迫模型“自言自语”生成大量 Token，这导致了显存（KV Cache）的爆炸式增长和推理速度的线性下降。
• 目标：能否让模型在内部“停下来想一会儿”，但不占用输出带宽？

🛠️解决方案：循环深度架构

Huginn 提出了一种特殊的架构设计，试图在 Transformer 中原生实现“慢思考”。

如上图，模型包括三个部分

• （P）Prelude: 相当于Encoder层，负责将 Input Token 映射为隐状态。
• （R）recurrent block: 这是一个多层Transformer Layer，所有的思考都发生在这里，但是和传统Transformer不同的点在于，这个模块可以循环运行任意次。
• （C）Coda：相当于输出头，对思考完成的隐状态进行token解码生成。

这本质上是“层参数共享”的极致应用。 模型通过动态决定 R 模块循环的次数，实现了在参数量不变的情况下，动态调整推理时的计算深度。为了防止深层循环导致的梯度消失或遗忘，模型在每一步循环都会注入原始输入的 Embedding，起到锚点（Anchor）的作用。

💡 深度洞察

1. 高效推理：递归模块不产生线性增长的KV-Cache，只是不断更新递归参数

2. 难度自适应：可以通过控制递归的轮数来对不同难度的问题实现自适应计算，不需要对所有难度的问题进行统一的思考或者不思考

3. Test Time Scaling：论文发现递归的模式同样存在Test-time scaling，更多的递归次数会带来持续的表现提升。

COCONUT：抛弃语言，用“直觉”思考

• Meta： Training Large Language Models to Reason in a
  Continuous Latent Space

如果说 Huginn 是在架构层面“折叠”了深度，那么 COCONUT则是在思维载体上进行了一次革命。它质疑了大模型推理的一个基本假设：为什么思考的过程必须用人类语言（Tokens）来表达？

🚨核心痛点：语言空间的局限性

由OpenAI-O1拉开序幕的Reasoning时代，当前的推理过程一般是
：Hidden State \(\rightarrow\) Logits \(\rightarrow\) Sampling (Token) \(\rightarrow\) Embedding \(\rightarrow\) Next Input。

这就引入了一些局限性

• 信息丢失：将高维连续的 Hidden State 坍缩为离散的 Token，会丢失大量非结构化的“直觉”信息。就像你脑海里有大量信息，却必须用一句话说出来。
• 效率低下：当CoT 中充斥着 "Let's think step by step", "Therefore" 等无意义的连接词。
• 线性约束：语言是线性的，但思维往往是发散的、网状的。之前很多parrallel思考的方案都是为了打破这个约束。

🛠️解决方案：连续思维链

COCONUT 提出了一种Latent Mode。虽然架构仍基于 Transformer，但它改变了数据流转方式：

1. 推理模式：Latent Mode (隐模式)

Coconut 引入了一种新的推理模式。模型可以在Language Mode和Latent Mode之间切换。

机制：当模型进入Latent Mode后（输出<bot>特殊字符），它不再将 Last Hidden State 解码为 Token。而是直接将这个 Hidden State 作为下一步的 Input Embedding 喂给模型。

这就像是模型在“自言自语”，但是用只有它自己听得懂的“脑电波”（向量）在交流，而不是用人类语言。这种“连续思维”一直持续到模型输出<eot>特殊字符，然后再切回语言模式输出最终答案。

2. 训练策略：多阶段课程学习

为了让模型学会使用上述的思考向量信息，论文使用了渐进式的训练方案，如下图

• Stage 0：先用标准的 CoT 数据训练模型，让它学会逻辑。
• Stage 1 ~ k：逐步“擦除”CoT 中的文本。
  • 例如，在 Stage 1，把 CoT 的第 1 步推理文本去掉，替换为 \(c\) 个 Continuous Thoughts（隐向量）。模型必须学会用这 \(c\) 个向量来承载原本那句话的逻辑信息
  • 随着训练进行，逐步把更多的文本推理步骤替换为隐向量。
• 最终形态：所有的中间推理文本都被“内化”成了连续的隐向量，模型只输出最终答案。

💡 深度洞察

1. 核心能力涌现：隐式 BFS (Implicit Breadth-First Search)

这是最精彩的发现。相比原有COT是线性的，同一时刻只能推理一个思路。但COconut因为Hidden State是高维连续向量，所以它可以处于“叠加态”,可以同时编码多个可能的推理路径。隐式进行了广度搜索。

2. 推理效率提升

虽然和Hugin相比依旧需要使用KV-cache，但因为连续向量的数量往往显著小于token数，所以推理效率会有提升，同时也因为省略了推理token采样的步骤，而进一步提升吞吐。

3. 超越人了语言思维密度

尤其对于一些复杂多路径规划任务，以及部分需要look ahead推理的任务，因为隐向量比token包含广度更大的思考信息，因此效果有所提升。

看到这里我也有个想法，逻辑上hidden thought一定会比token携带更多的信息量，但最大的问题就是无法可视化，那能否想一会，说两句，想一会说两句，也就是把hidden thought和token reasoning通过interleave串联起来？

TRM: 像改代码一样迭代推理

• Less is More: Recursive Reasoning with Tiny Networks

TRM和前面的Hugin是非常相似的，几乎都是走的“循环思维载体”的思路。但是TRM多了双流递归的设计，把循环过程中的草稿和打磨这两个不同信息拆分开处理。

和COCONUT也有相似之处，只不过COCONUT更像是潜意识在时间轴上（自回归推理）的延伸，而TRM是在质量轴上的不断迭代修正。

🚨 核心痛点：自回归的“落子无悔”

Reasoning最大的问题，就是前面COCONUT提到的“落子无悔”问题，想要进一步反思或者修正，就需要继续显性延伸你的思考链路进行反思。

论文的目标：能否构建一个模型，它的推理过程不是“生成下一个词”，而是不断修正当前的答案？这需要模型具备迭代修正的能力。

🛠️ 解决方案：TRM (Tiny Recursive Model)

TRM 的架构设计非常精简，它直接回到了最本质的递归结构，如下图

1. 双流递归状态

TRM 维护两个核心状态，并在循环中不断更新它们 ：

• Latent (Z)：推理状态。这和Huginn多步递归循环的R Block类似，都是思维的载体，存储不断更新的思维上下文。
• Prediction (Y)：当前答案的草稿。这是 TRM 最独特的地方。它把“当前的预测结果”Embedding 之后，作为下一轮的输入喂给自己。（对比Hugin所有信息都在R，TRM把已经形成的预测结果解耦出来了）

推理循环逻辑 (The Loop)：

\[\begin{aligned} z_{t+1} &= \text{Net}(x, y_t, z_t) \quad \text{// 思考：基于当前草稿和思维，更新思维} \\ y_{t+1} &= \text{Net}(y_t, z_{t+1}) \quad \text{// 修改：基于新的思维，修正草稿} \end{aligned} \]

这就像我们写代码：先写个大概 (\(y_0\)) -> 脑子转一下 (\(z_1\)) -> 改一行代码 (\(y_1\)) -> 发现有个 Bug (\(z_2\)) -> 再改一行 (\(y_2\))。

2. 架构极简主义

• Tiny Network：模型只有 2 层 Transformer Layer，参数量仅 5M - 7M
• 参数共享：同一个网络（Net）在每一次循环中被反复使用
• 全量推理模式：并非自回归模型token by token的推理，而是每一步循环都生成全量的Y，并且每一步都对全量的Y进行修正

💡 深度洞察

1. 全量生成的思维转换：TRM 的生成方式更像 Diffusion Model（扩散模型），是从模糊到清晰的过程，而不是从左到右的过程。但这同样也约束了当前TRM只能用于固定长度内容的输出。
2. Deep Supervision：训练时，TRM 并不只在最后一步计算 Loss，而是对每一步生成的草稿都计算 Loss。这强迫模型在第一步就给出一个“大致正确”的解，然后在后续步骤中精细化。

TiDAR

• TiDAR: Think in Diffusion, Talk in Autoregression

英伟达的这篇论文，则是和TRM思路非常相像，都是在生成阶段抛弃自回归“蹦字”的方案，采用全局生成并不断打磨的思路。只不过TIDAR引入了扩散模型，并切让模型在同一个 Forward Pass（前向传播）里，既作为“起草者”并行地想，又作为“验证者”自回归地确认。

🚨 核心痛点：既要还要的困境

在大模型推理中，我们一直面临一个trade-off

• AR：自回归模型由于符合语言的因果律，质量最高，但推理速度慢
• Diffusion：非自回归模型可以并行生成，吞吐量极高但往往质量不佳，并且质量会随着生成的token个数而持续下降。

现在已有的一些解决方案例如DeepSeek提出的MTP，同时预测多个token，也是在尝试解决以上的问题，但MTP的本质还是自回归的。

还有Speculative decoding，使用一个轻量级的AR模型去生成多个token的草稿，再用大模型并行对草稿的每个token进行验证，但这样就需要同时部署多个模型进行推理。

🛠️ 解决方案： Think + Talk的双流协同

TiDAR 的模型结构则是在speculative Decoding的基础上，把草稿模型和验证模型合并在了一个模型结构里，通过特殊掩码实现同时推理。

1. Think in Diffusion

在推理时，TiDAR 并不像 GPT 那样一次只预测一个词。它使用 Diffusion的方案，在当前位置之后的K个槽位上，同时生成所有候选Token。这 \(K\) 个 Token 是并行生成的。它利用了扩散模型的全局视野。

2. Talk in Autoregression"

生成的这K个候选词并不能直接作为答案，因为 Diffusion 的逻辑一致性不如 AR。TiDAR 在同一个前向传播中，利用 AR 的逻辑对这K个候选词进行拒绝采样。

3. 双流的核心实现：结构化注意力掩码

为了在一次向前推理时，同时实现以上两种推理，TIDAR设计了一个特殊的二维MASK，将序列分成了两个部分

• Diffusion MASK：这个区域的token直接是全连接的，为了让模型能够根据上文同时猜出后面K个词
• AR MASK：这个区域是causal MASK，它负责根据上下文和前面猜出的草稿进行递归生成。

这样在一次向前推理中，Inp亡的KV Cache会参与两次计算

• Input —> Think Mask -> Diffusion Drafts
• Input + Diffusion Drafts -> AR Mask -> Final verified Token

4. 多任务联合优化训练

为了同时训练Diffusion和AR，TIDAR在传统的NSP训练的基础上进行了改良，同时训练两个loss

• Diffusion Loss：训练模型在给定上下文和部分噪声的情况下，并行重构出后续 \(K\) 个词的能力。
• AR Loss：标准的交叉熵损失，确保模型的最终输出符合语言概率分布

---

总结：推理的未来是“向内生长”？

从以上四篇论文，我们不妨猜测下后Reasoning时代的技术演进方向

1. 从Explicit到Implicit？
2. 从Linear到Recurrent？
3. 从AR到Hybrid？

未来的大模型，或许会变得更像人类的大脑： 表面上沉默寡言，但内心戏极其丰富，并且能够反复推敲，最终给出一个深思熟虑的答案。

想看更全的大模型论文·微调预训练数据·开源框架·AIGC应用 >> DecryPrompt