智能体思考得更深吗？顺序规划中层间动力学的机制性研究
人工智能
2026-05-28 v1
摘要
近期的机制性研究表明，大型语言模型（LLM）在标准的单轮任务中可能未能高效利用其深度。在自主智能体场景中（模型必须执行多轮规划、工具使用和迭代状态更新），这种情况是否仍然成立尚不清楚。我们通过系统性地分析跨越三个领域（深度研究、代码生成和表格处理）的完整用户-智能体轨迹的层间动力学来研究这个问题。利用残差流探针、因果跳层干预和有效深度测量，我们表明智能体推理展现出与静态任务不同的深度分布特征。随着轨迹展开，模型逐步招募更多且更深的层，在后续轮次中出现更强的长距离层间依赖关系。同时，残差更新变得越来越以修正为主导，表明从稳定的特征积累转向重复的重新校准。有效深度分析进一步揭示了一个显著的构建-精炼差距：语义方向通常相对较早形成，而深层对于稳定最终输出仍然是必要的。在不同模型家族中，这一差距在Qwen和Minimax中尤为明显，而GLM则表现出更依赖领域的深度分配模式。这些结果提供了机制性证据，表明自主LLM智能体会随着推理复杂性的增长而自适应地分配深度。
引用
@article{arxiv.2605.27935,
title = {Do Agents Think Deeper? A Mechanistic Investigation of Layer-Wise Dynamics in Sequential Planning},
author = {Zhenyu Cui and Xiangzhong Luo},
journal= {arXiv preprint arXiv:2605.27935},
year = {2026}
}