AI 作念科学推理，可能不该总靠"把门径写出来"。

昔时几年，大模子一朝投入"推理模式"，险些齐会走合并条路子：

先输出一大段想维链，再给出最终谜底。

这套法子在数学题、代码题、复杂问答里很常见，也确乎有用。但到了化学场景，它巧合已经最顺遂的方式。

Haven 团队叶新武、唐相儒等斡旋斯坦福大学丛乐、普林斯顿大学王梦迪最新提倡的 LatentChem，想作念的即是一件事：

把化学推理从"文本名义"挪到"模子里面"。

模子不一定要把每一步齐翻译成翰墨，也不错先在连气儿隐空间里完成多步联想，终末再输出当然谈话。

这不是"取消推理"，而是换了一种推理介质。

用翰墨描画化学，为什么不够好？

作念过分子优化、分子裁剪、反馈展望的东谈主，大多见过这种情况：

模子前边能写得头头是谈。

电子效应、位阻、官能团、反馈位点，说得齐很专科。

但到了终末，生成出来的 SMILES 或分子结构，却和前边的分析对不上。

看起来像是在施展想考，为止却常常"说一套，作念一套"。

LatentChem 论文给出的解释很平直：

化学推理自己，更像是在连气儿、结构化的空间中进行搜索、颐养和更新；

而当然谈话 token，履行上是闹翻的。

当模子被条目把这些原来更稳健在连气儿表征中完成的历程，硬拆成一句一句当然谈话时，就会出现论文提倡的阿谁中枢问题：

continuity – discretization gap

精真金不怕火说，原来应该在连气儿空间里顺滑完成的化学推理，被强行切成了一格一格的文本门径。

这不仅慢，还容易让"推理描画"和"最终为止"脱节。

LatentChem 在作念什么？

LatentChem 的中枢想路不错空洞成一句话：

先在隐空间里想考，再在谈话空间里回复。

它并不是精真金不怕火把 CoT 删掉，而是再行联想了化学推剃头生的位置。

悉数系统精真金不怕火不错结合为四步：

1、先把分子信息变成模子能用的"软指示"

LatentChem 先通过分子编码器索取结构暗示，再把它压缩成固定数目的 ChemTokens。

这些 ChemTokens 会和文本指示沿途送进模子，特地于先把分子高下文交给模子。

2、实在的中间推理，不再主要靠翰墨完成

和传统 CoT 一步步生成文本不同，LatentChem 会在隐空间里生成一串 latent thought 向量。

这些向量不是"解释给东谈主看的想路"，而是模子里面实在用于推动推理的中间气象。

3、推理历程中，模子还能不断"回看分子"

这是 LatentChem 很重要的少许。

它不是把分子读一遍就开动闭门推理，而是通过一个叫ChemUpdater的模块，让每一步 latent thought 齐能再行作用到 ChemTokens 上。

换句话说，模子在推理历程中不错不断回看分子暗示，动态聚焦到不同重要信息上。

4、把里面气象不时映射回下一轮推理输入

通过Latent Projector，模子不错把刻下隐气象再映射回可不时迭代的输入空间，酿成多步连气儿更新的闭环。

一句话空洞即是：

LatentChem 把"推理"和"抒发"拒绝了

推理先在里面完成，再依托谈话进行输出。

更稀奇想的是：模子不是被将就"别写 CoT "，而是我方冉冉不写了

这篇论文里，最稀奇想的不雅察之一，发生在强化学习阶段。

作家汲取 GRPO 试验时，

奖励并不讲理模子有莫得写出漂亮的想维链，也不条目解释历程多圆善。

它只看为止：

输出花式对不合

谜底是不是有用

最终为止准不准

为止出现了一个很有代表性的表象：

模子会自愿减少显式 CoT。

它平淡先在里面完成 latent thinking，然后只输出一个极短的过渡秀美，比如" . "或者" : "，接着平直给谜底。

这确认什么？

确认一朝试验筹划不再明确饱读动"把推理写出来"，模子就会当然把主要联想留在里面完成。

它不是不想考了，而是不再依赖把想考全部说出来。

这不是"偷懒"，论文还专门作念了考证

为了讲明 latent thinking 不是成列，论文还作念了一个很重要的实验：

究诘团队把前边几许 latent steps 用高斯噪声替换，然后不雅察模子露出。

为止发现，被替换掉的 latent steps 越多，模子性能下跌得越较着。

这意味着，这些 latent states 并不是卑不足谈的中间变量，而是简直承载了推理所需的重要信息。

也即是说：

显式 CoT 少了，不等于推理少了。

许多推理，其实只是被"收进去了"。

还有一个细节至极值得防卫

LatentChem 并莫得学成一个死规矩。

淌若它只是精真金不怕火"败坏输出 CoT "，那模子就应该永远不写长推理。

但论文不雅察到的表象更隐私：

当 latent thinking 的预算不够时，模子会再行把部分推理写出来。

也即是说，淌若给它弥散的里面推理空间，它就更多在隐空间里完成想考；

淌若里面预算被压缩，它就会再行启用显式文本推理来补足智商。

这其实很进犯。

它确认 LatentChem 学到的不是"别写"，而是一种更生动的分派计策：

能在里面算，就尽量里面算；里面不够，再把一部分外显成翰墨。

是以，这项职责的实在真谛，不是"让模子闭嘴"，而是讲明：

CoT 只是推理的一种外皮露出，不一定是推理实质。

不单是快，而况更准

这种"只作念不说"的里面推理范式，带来了实打实的性能红利。在各大化学基准测试中，LatentChem 交出了亮眼的答卷：

在高度依赖推理的 ChemCoTBench 测试中，靠近强大的显式 CoT 基线模子，拿下了高 59.88% 的非平局胜率。

通过将啰嗦的文本转机为紧凑的隐气象，大幅排除了生成延伸的瓶颈，平均推理速率暴涨 10.84 倍。在特定的反馈任务上，效果以致飙升了近 30 倍。

关于纳闷于于打造异日 AI Scientist 的团队而言，LatentChem 讲明了一件事：显式的当然谈话可能只是科学推理的一种外壳。把千里重的逻辑联想收回到隐空间中，不仅突破了效果与深度的衡量悖论，更为下一代科学 AI 奠定了更顺应底层规矩的联想基础。

从 LatentChem 到 AI Scientist

对 Haven 来说，LatentChem 的真谛并不单是是一个新的化学模子。它更像是 AI Scientist 系统的一块重要组件。

Haven 正在构建能够自动推论科学职责流的 AI 系统，包括：

分子联想

文件分析

实验策划

假定生成

为止考证

在这些复杂任务中，推理频频发生在结构化的连气儿空间，而不是当然谈话中。

LatentChem 展示了一种新的可能：让 AI 在隐空间中完成科学推理，再在需要时输出可解释为止。

同期，LatentChem 提倡了一个值得想考的问题：显式 CoT 是否只是推理的一种外化表情，而不是推理自己？

LatentChem 展示的并不是"去掉推理"，而是：把推理从文本名义，收回到模子里面。

异日的 AI Scientist，轻佻不会把每一步想考写出来，

但它们仍然在执续推理、探索和发现。

只是这些推剃头生在隐空间中。

论文标题：

LatentChem: From Textual CoT to Latent Thinking in Chemical Reasoning

论文连结：

https://arxiv.org/abs/2602.07075

代码连结：

https://github.com/xinwuye/LatentChem

一键三连「点赞」「转发」「留意心」

迎接在批驳区留住你的观念！

—  完  —

咱们正在招聘又名眼疾手快、关注 AI 的学术裁剪实习生  � �

感兴味的小伙伴迎接关注 � �  了解笃定

� � 点亮星标 � �

科技前沿进展逐日见开yun体育网