FoE：错误森林使首个解成为大推理模型的最优解
人工智能
2026-04-06 v1 计算与语言
摘要
近期的大推理模型（LRM）如 DeepSeek-R1 在复杂推理任务中展现了显著成功，展现出探索多种替代解的人类样态模式。然而，细致审视揭示了一个令人惊讶的现象：首个解即为最优解，其中替代解不仅次优甚至可能有害。这一观察挑战了广泛接受的测试时缩放定律，使我们假设推理路径中的误差随测试时间并发增长。通过全面的实证分析，我们将误差刻画为森林结构的错误森林（FoE），并得出结论 FoE 使首个解为最优解，其背后有严格的理论分析支撑。基于这些洞察，我们提出了 RED，一个自引导的高效推理框架，包含两个组件：I）优化首个解，抑制 FoE 在首个解中的增长；II）舍弃子解，通过双一致性剪枝后续 FoE。在五个基准和六个骨干模型上的广泛实验表明，RED 超越了八个竞争基线，实现了高达 19.0% 的性能提升，同时将令牌消耗降低了 37.7% ~ 70.4%。此外，关于 FoE 度量的对比实验揭示了 RED 实现有效性的机制。
引用
@article{arxiv.2604.02967,
title = {FoE: Forest of Errors Makes the First Solution the Best in Large Reasoning Models},
author = {Kehan Jiang and Haonan Dong and Zhaolu Kang and Zhengzhou Zhu and Guojie Song},
journal= {arXiv preprint arXiv:2604.02967},
year = {2026}
}