arXiv cs.CL· Dean Light, Michael Theologitis, Kshitish Ghate, Shuyue Stella Li, Benjamin Newman, Chirag Shah, Aylin Caliskan, Pang Wei Koh, Dan Suciu, Yulia Tsvetkov·· 12 小时前AI 评分55
Deep Reasoning：用结构化元推理为通用智能体动态构建推理脚手架
Deep Reasoning in General Purpose Agents via Structured Meta-Cognition
AI 导读
论文提出 Deep Reasoning，一种在推理时通过结构化元推理为任务构建专属脚手架的方法，并用形式语言把元推理表示为对联想推理、形式计算和递归子问题求解的可执行分解。
正文 · AI 翻译
摘要：人类通过灵活切换推理模式来直觉性地解决复杂问题：他们规划、执行、修正中间目标，通过联想判断解决歧义，并对定义明确的子问题应用形式化程序。当前的 LLM 智能体缺乏这种灵活性，因为它们的脚手架会预先硬编码此类推理决策。当脚手架规定的结构与任务相匹配时，它们是有效的；但当解决任务需要调整推理本身的结构时，它们就会变得脆弱。我们提出 Deep Reasoning——一种通过结构化元推理构建任务特定脚手架的推理时方法。Deep Reasoning 使用一种形式化语言，将元推理表示为对联想推理、形式化计算和递归子问题求解的可执行分解，使分解原则能够被编码为上下文示例，以指导测试时的脚手架构建。我们在一个通用智能体（DOLORES）中实例化了该方法，它将复杂任务分配到更可控的推理线程中。我们在四个困难基准上将其与最先进的脚手架方法进行了评估：多跳推理、长链问答、长上下文聚合和深度研究式信息检索。在三种模型规模和两个模型家族上，DOLORES 均优于所有被评估的脚手架，平均比最强的被评估脚手架基线提升 24.8%。DOLORES 将认知分配到结构化、低负载的推理线程中，从而减少过早终止和幻觉。这一优势甚至可以弥合规模差距：在超过一半的设置中，8B 版本超越了同一家族中所有被评估的 32B 基线。这些结果指向未来的智能体系统，它们将脚手架视为自适应推理，即时构建每个任务所需的结构。
| 评论： | 被 NeurIPS 2026 接收 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.11388 [cs.CL] |
| （或本版本的 arXiv:2605.11388v2 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2605.11388 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Dean Light [查看邮箱]
[v1]
2026年5月12日星期二 01:21:37 UTC（2,968 KB）
[v2]
2026年10月21日星期三 02:42:02 UTC（752 KB）
来源：arXiv cs.CL · arxiv.org