动态链路思维：面向自适应深度推理
人工智能
2025-04-08 v4 机器学习
摘要
为减少由长链链思维（long CoT）中计算冗余和延迟奖励分配导致的计算资源消耗和耗费，本研究提出了具备自适应推理时间和步骤的动态链路思维（D-CoT）。研究者通过 Python 3.13 IDLE 结合基于 GPTs 的 Python 模拟器来模拟 D-CoT 的集成。同时，研究者以 DeepSeek R1 为对照组，对比测试 D-CoT 模拟器处理 MIT OpenCourseWare 线性代数考试题目的性能。实验结果表明，D-CoT 在三个指标上优于基于长链链思维的 DeepSeek R1：推理时间、链链思维长度（推理步骤）和 token 数量，从而显著降低了计算资源消耗。此外，本研究在深度推理优化方面具有潜在价值，可为未来动态深度推理框架提供参考。
引用
@article{arxiv.2502.10428,
title = {Dynamic Chain-of-Thought: Towards Adaptive Deep Reasoning},
author = {Libo Wang},
journal= {arXiv preprint arXiv:2502.10428},
year = {2025}
}
备注
The GitHub repository link is: https://github.com/brucewang123456789/GeniusTrail/tree/main/Dynamic%20CoT