后期：通过潜在探索和显式验证进行有效的测试时推理

思想链 (CoT) 推理改进了 大语言模型 (LLM) 处理困难任务的能力，但它也使推理变得昂贵，因为每个中间步骤都必须生成为离散标记。潜在推理通过传播连续状态来减少可见标记的生成，但用潜在计算替换显式推导可能会损害需要符号检查的任务。我们提出了先隐式推理（LaTER），这是一种两阶段范式，首先在连续的潜在空间中执行有界探索，然后切换到显式 CoT 进行验证和答案生成。在 无需训练 实例化中，LaTER 将最终层隐藏状态投影回输入嵌入空间，保留潜在的 KV 缓存，并使用熵和模型原生停止词元探测来决定何时切换。我们发现强推理模型已经在该接口下表现出结构化的潜在轨迹。在 Qwen3-14B 上，无需训练 LaTER 在多个基准上将总词元使用量减少了 16%-32%，同时匹配或提高了大多数基准的准确性；例如，它将 AIME 2025 从 70.0% 提高到 73.3%，同时将词元从 15,730 个减少到 10,661 个。我们进一步构建了 Latent-Switch-69K，这是一个监督语料库，它将精简的解决方案直觉与缩短的显式推导配对。 微调 具有潜在采样轨迹和停止监督功能，可带来额外收益：训练后的 LaTER 在 AIME 2025 上达到 80.0% 的准确率，比标准 CoT 基线高出 10.0 个点，同时使用的词元减少了 33%。我们的代码、数据和模型可在 https://github.com/TioeAre/LaTER 获取。