LHM：低秩分层合并实现长链推理到短输出
原文标题：Low-Rank Hierarchical Merging for Efficient Long-to-Short Reasoning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
arXiv 论文提出免训练框架 Low-Rank Hierarchical Merging（LHM），用低秩 Hessian 近似、层二阶敏感度指标与双约束系数映射替代启发式统计，实现长链思维模型与基座模型的合并。在 1.5B 与 7B 模型的六个数学基准上，准确率提升超 4%，输出长度最多缩减 93.1%。
- 问题
- 长链推理模型输出冗长，现有合并方法在难题上掉精度。
- 方法
- 免训练低秩分层合并：用低秩 Hessian 近似与层二阶敏感度替代一阶激活统计，生成层自适应合并系数。
- 结果
- 1.5B/7B 六个数学基准准确率提升超 4%，输出长度最多缩减 93.1%，优于 ACM-TIES、ORCA。
- 影响
- 不改训练即可把长思维链模型压成短输出，直接降低推理延迟与 token 成本。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LHM免训练合并长链思维与基座模型，准确率提升超4%、输出长度最多减93.1%
- •用Hutchinson估计器在随机输入上做低秩Hessian近似，无需任务特定数据
- •LSOS指标结合Hessian迹与任务向量范数，量化每层融合难度
- •DCCM把LSOS分数转为层自适应合并系数，同时满足融合误差界与全局长度缩减目标
- •在1.5B与7B模型六个数学基准上优于ACM-TIES和ORCA，准确率提升超4%，输出长度最多缩减93.1%
为什么重要：免训练即可把长链思维模型的推理能力压进短输出，对推理成本敏感的长CoT部署方是低成本路径；但验证仅限数学基准。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。