通过潜在脉冲引导缓解大规模推理模型中的认知惯性

虽然大规模推理模型（Large Reasoning Models, LRMs）通过扩大推理计算量已取得显著性能，但常常 suffer 从认知惯性（Cognitive Inertia）问题，这种问题表现为运动惯性的过度思考或方向惯性的推理僵化。现有检测方法通常依赖自我纠正标记等表面文本启发式方法，往往无法捕捉模型内部未言明的冲突。为此，我们提出了STARS（Spike-Triggered Adaptive Reasoning Steering，脉冲触发自适应推理引导），一个旨在通过监控潜在动态来纠正认知惯性的训练-free框架。STARS通过检测隐藏状态中显著的L2距离脉冲来识别认知关键点——推理转换的关键时刻。检测到后，框架采用几何轨迹分析来诊断转换的结构性质，并注入状态感知语言线索以实时引导模型。我们的实验在多样化基准测试中确认，STARS能够高效地减少冗余循环，同时通过自适应纠正错误轨迹来提高准确率。STARS提供了一个无需额外微调即可优化LRM推理过程的稳健、无监督机制。