Lightweight Latent Reasoning for Narrative Tasks¶

跳转：原文 EN · 译文 ZH · 原文 PDF

笔记时间：2026-07-21 评分：3 领域：narrative 子领域：latent_reasoning 方法：rl, latent 类型：method

元信息¶

arXiv：2512.02240v2
日期：2026-06-09
作者：Alexander Gurung、Esmeralda S. Whitammer、Mirella Lapata
机构：University of Edinburgh；CIFAR Fellow
本地 PDF：paper.pdf（24 页）
可追溯源码：source/main-10907-Gurung.tex
解析文本：main_en.md

定位¶

LiteReason 研究的不是如何让模型生成更长的推理链，而是如何在保留 RL 探索能力的同时，把部分显式推理压缩成连续 embedding，从而降低训练和推理成本。论文面向缺乏大规模高质量 reasoning trace 的长篇叙事任务，并在 Flawed Fictions 与 Next Chapter Prediction（NCP）上验证。

最重要的判断¶

LiteReason 是 RL 为主、SFT 为辅 的方法：

SFT 只负责初始化并周期性刷新 Reasoning Projector，使其学会用少量连续 latent token 跨过被遮掉的显式推理句。
GRPO 更新整个基础 LLM，使模型提高任务正确率，并学会何时生成 <implicit_thought>#</implicit_thought>、进入 latent mode。
RL 时 latent token 本身不作为 policy action，Reasoning Projector 也不直接接收 policy gradient；作者每个 RL epoch 后追加一次 SFT，缓解 projector 与不断变化的 policy 脱节。

这一判断可追溯到论文 §3 “The LiteReason Framework”、§3.1 “Training LiteReason” 和 §6.3 “Does LiteReason Benefit from RL?”。

前置概念¶

普通自回归生成的每一步是：最后隐藏状态经过 LM Head 得到词表分布，采样一个离散 token，再把该 token 的 embedding 输入下一步。

LiteReason 增加一个小型 MLP——Reasoning Projector。在 latent mode 中，最后隐藏状态不经过 LM Head 采样文字，而由 projector 直接映射成一个连续 embedding，并把它作为下一步输入。因此中间“想法”不会被解码成可读文字。

LiteReason 在离散 token 与连续潜在 token 之间切换的框架

图 1（方法框架，原论文 Figure 1）。 黄色是普通离散 token embedding，粉色是 Reasoning Projector 生成的连续 embedding。模型先正常采样 \(x_1\)，遇到隐式思维标记 \(\langle\mathrm{bot}\rangle\) 后，按标记中的预算连续生成 \(e_0,e_1\)，再回到 LM Head 生成 \(x_2\)；一次回复可以多次切换。图中也能看出：基础 LM 冻结时，Projector 学的是如何用少量连续状态“接上”后续显式推理，而不是把被省略句子逐字复原。

方法流程¶

1. 收集正确推理轨迹¶

对每个训练 prompt 采样 \(n\) 条 reasoning trace，用任务 reward 过滤掉非正奖励轨迹。实验取 \(n=5\)。Flawed Fictions 的 reward 是最终 Yes/No 是否正确；NCP 使用 Contrastive Improvement。

2. 构造 latent-span SFT 数据¶

把推理轨迹按句切成 reasoning step，随机将比例 \(s_r\) 的句子替换成：

<implicit_thought>#</implicit_thought>

其中 # 是要执行的连续 latent step 数。实验使用 \(s_r\in\{10\%,25\%\}\)、token replacement ratio \(t_r=0.2\)，约用一个 latent token 替代五个显式 token，并将每个被替换句子的 latent step 上限设为 5。

3. SFT 初始化 Reasoning Projector¶

冻结基础 LLM，只训练 projector；损失仍是未被遮掉的后续离散 reasoning token 的交叉熵。目标不是重建被遮掉句子的原文，而是让 latent embedding 携带足够信息，使模型能够继续生成后续推理与答案。

4. GRPO 训练 policy¶

整个基础 LLM 接受 GRPO 更新。模型生成 implicit-thought tag 时，切换到 latent mode；tag 中的整数决定执行多少次 projector。离散 token 采样是 policy action，确定性的 latent embedding 不是 action。

5. 周期性刷新 projector¶

基础 LLM 被 RL 更新后，隐藏状态分布和 reasoning trace 会变化，原 projector 可能过时。因此每个 RL epoch 后，作者用当前 epoch 的新轨迹再做一次 projector SFT。

最小例子¶

普通 CoT 可能输出：

前文说女孩没有床。
后文说她回到自己的床上。
两者矛盾。
答案：有 plot hole。

LiteReason 可以学成：

前文说女孩没有床。
<implicit_thought>2</implicit_thought>
答案：有 plot hole。

tag 后执行两次连续 embedding 更新，用 latent state 代替中间两句显式文字。它不是简单删除文字：projector 必须让后续答案仍能利用被压缩的推理信息。

实验设置¶

主模型：Qwen2.5-7B-Instruct。
Flawed Fictions：414 条，随机 70/15/15 划分；只做二元分类 Accuracy，不做 CEEval-Full 或错误句定位。
NCP：1,347 条，平均约 6.5k input token，使用原数据集划分。
Flawed Fictions 结果对完整 test set 重复采样 10 次并报告 run-level SEM。
FF 使用 1 个 SFT epoch、30 个 RL epoch、batch size 48、group size 16；最大生成长度 2,048。

关键结果¶

Flawed Fictions：准确率与推理长度¶

方法	Accuracy	平均生成 token
Qwen2.5-7B	57.26 ± 1.58	400.04 ± 6.50
MoI	58.06 ± 1.75	401.73 ± 6.57
Soft Thinking	57.42 ± 1.21	360.90 ± 2.96
COCONUT	50.65 ± 0.02	268.07 ± 6.68
CoLaR	53.71 ± 0.01	226.14 ± 10.00
LiteReason	87.42 ± 0.47	34.01 ± 0.38
普通 GRPO/RL	88.71 ± 0.00	114.53 ± 2.01

来源：Table 5。LiteReason 获得普通 RL 从 57.26 提升到 88.71 所带来增益的 95.9%，但输出长度只有普通 RL 的约 30%。

性能—成本位置¶

Flawed Fictions 上准确率与生成 token 数的权衡

图 3（Flawed Fictions，原论文 Figure 3）。 横轴越右越准确，纵轴越低生成越短。LiteReason（橙色菱形）在准确率上只略低于 RL-Trained（粉色三角），但平均生成长度进一步从约 115 token 降到 34 token；CoLaR、COCONUT 虽然也更短，却落在明显更低的准确率区域。

NCP 上 Contrastive Improvement 与生成 token 数的权衡

图 4（Next Chapter Prediction，原论文 Figure 4）。 横轴越右代表计划更能帮助生成真实下一章且更少泛化到无关章节，纵轴越低代表推理更短。LiteReason（橙色菱形）与普通 RL 同在 Pareto 前沿：它没有超过普通 RL 的质量，但以约 193 token 对 721 token 换取接近的任务表现；其余潜在推理方法在质量上存在明显差距。

训练与真实速度¶

FF 的 RL 生成 token：普通 RL 61.4M，RL + LiteReason 29.0M，下降 52.8%。
NCP：108.8M 降到 54.9M，下降 49.5%。
单样本 FF 推理：普通 RL 0.97 秒，LiteReason latent inference 0.31 秒。
单样本 NCP 推理：普通 RL 6.46 秒，LiteReason latent inference 1.84 秒。

来源：Tables 6–7。训练 token 统计没有计入未完整记录的 latent token，因此不能把 52.8% 直接解释成等比例 FLOPs 节省。

Length penalty¶

作者加入

\[ r_{\text{length}}=-0.5\frac{|y|}{\text{max length}} \]

后，LiteReason 在 FF 上达到 93.55% Accuracy、平均 6 token；普通 RL + length penalty 为 91.94%、16.65 token。来源：Table 8。

其他模型¶

Qwen3-4B-Instruct-2507 的结果为：base 33.23%，普通 RL 64.84%，LiteReason 57.42%。来源：Table 11。这说明 LiteReason 仍能提高弱基础模型，但恢复普通 RL 增益的比例低于 Qwen2.5-7B。

如何正确解释结果¶

论文最有力的结论是：token-space RL 的探索能力可以与间歇性的 latent reasoning 结合，并明显降低可见推理长度。
论文没有证明 latent reasoning 比普通 RL 更准确；主结果中普通 RL 略高于 LiteReason。它证明的是更好的 performance–compute trade-off。
93.55% 不是一个可与原 Flawed Fictions 论文中 Claude 3.5 Sonnet 76% 直接比较的 leaderboard 分数。LiteReason 在 FF 的 70% split 上进行过专项 SFT/RL，且只评测约 15% test split 的二元分类。
对 FF 而言，最终答案只有 Yes/No，length penalty 很容易把输出压到极短；这并不证明模型还能给出可靠的矛盾证据或自然语言解释。

局限¶

Flawed Fictions 只评测短 split 的二元分类，没有 CEEval-Full、证据定位或 FlawedFictionsLong。
数据集只有 414 条，随机 test split 约 62 条；虽然重复采样 10 次能估计采样方差，却不能消除测试集规模和划分带来的不确定性。
主实验集中在 Qwen2.5-7B；Qwen3-4B 和 Gemma-3-1B 只做补充验证。
平均 token 数不等于 FLOPs、显存或实际成本。latent token 单步约比普通 token 贵 8%；训练 token 总数还漏记 latent token。
不同方法的推理实现不同，LiteReason 使用 vLLM，横向 token/速度比较仍可能受工程优化影响。
implicit-thought tag 不是词表中的特殊 token，而是通过字符串变体检测和整数解析触发，工程上具有一定脆弱性。
latent step budget 是局部固定整数，没有单独学习全局 halting policy；预算太小可能丢失密集信息，太大则削弱效率。
Length penalty 没有做敏感性分析。作者指出，如果一个 GRPO group 全部回答错误，长度可能成为唯一奖励信号，从而把模型推向越来越短但仍错误的输出。
latent-thought tag 的使用率在 RL 早期迅速上升、后期又可能下降，说明模型是否稳定依赖 latent path 尚未完全厘清。

与 Flawed Fictions 的关系¶

原论文把 Flawed Fictions 用作诊断未经专项训练的通用模型是否具有情节漏洞检测能力；LiteReason 把其中的二元分类子任务改造成 RLVR 训练环境。因此二者分别回答“原生能力有多强”和“针对性 RL 能否学会并压缩推理”，不能放进同一个 leaderboard 排序。