穿过瓶颈思考：面向严格归纳的沙漏推理

自精炼常未能强化大语言模型的少样本归纳推理。让模型显式陈述其推断规则本身收效甚微。真正重要的是在推理阶段之间强制结构化隔离，使信息只能以压缩的符号状态在阶段间通过。我们引入沙漏推理：在推理阶段之间强制严格的上下文隔离。冻结的LLM充当元构造器，为每个任务构建符号编码器—解码器：归纳模块把支持样例压缩为模式φ（编码器）与瞬态脚手架z；演绎模块从这些推导规则T（解码器）并丢弃z；实现者把(φ, T)编译为工件；错误驱动的精炼器修订(φ, T)并从零再生成工件。只有(φ, T)跨越阶段边界，所有精炼保持锚定在规则上。我们在三个基准上评估沙漏——横跨视觉抽象、硬件综合与文本规则归纳——使用GPT-5.5与Gemini 3.1 Pro。在ARC-AGI-2上：较迭代精炼基线把best-of-5准确率提升最多14分；在ChipBench上：GPT-5.5把Verilog综合准确率从31%几乎翻倍到58%；BBEH-Linguini取材国际语言学奥赛谜题——既往工作显示显式言语化在该设定会损害表现，沙漏缓解该倾向，且在Gemini 3.1 Pro上完全逆转。消融确认增益来自阶段间隔离与初始归纳质量，而非提示措辞或所用符号形式。决定冻结LLM归纳推理的，是信息如何流经推理过程，而非表达它的语言。