LatentChem：从文本链式思维到化学推理的潜在空间
化学物理
2026-03-16 v4 人工智能
计算与语言
机器学习
摘要
化学大型语言模型(LLM)主要依赖自然语言中的显式链式思维(CoT)来执行复杂推理。然而，化学推理本质上是连续的和结构化的，将其强制转换为离散语言标记会导致根本性的表示不匹配，从而限制了效率和性能。我们提出LatentChem，一种潜在推理接口，将化学计算从文本生成中解耦，使模型能够在连续的潜在空间中直接进行多步骤推理，仅在最终输出时生成语言。惊人的是，我们观察到一种一致的涌现行为：当仅为任务成功优化时，模型会自主内化推理，逐渐抛弃冗长的文本推导，偏好隐式的潜在计算。这种转变不仅是一种风格选择，而是计算上具有优势的选择。在多样化的化学推理基准测试中，LatentChem在ChemCoTBench上相对于强大的CoT基线以59.88%的非平局胜率，同时实现了10.84倍的平均推理开销降低。我们的结果为化学推理更自然且更有效地实现为连续潜在动态而非离散语言轨迹提供了实证证据。
引用
@article{arxiv.2602.07075,
title = {LatentChem: From Textual CoT to Latent Thinking in Chemical Reasoning},
author = {Xinwu Ye and Yicheng Mao and Jia Zhang and Yimeng Liu and Li Hao and Fang Wu and Zhiwei Li and Yuxuan Liao and Zehong Wang and Yingcheng Wu and Zhiyuan Liu and Zhenfei Yin and Li Yuan and Philip Torr and Huan Sun and Xiangxiang Zeng and Mengdi Wang and Le Cong and Shenghua Gao and Xiangru Tang},
journal= {arXiv preprint arXiv:2602.07075},
year = {2026}
}