潜空间思维信用：用于潜空间推理的多答案信用分配

潜空间推理让语言模型以连续潜表示完成中间推理，而不必将过程全部展开为离散思维链。但仅凭答案奖励，难以为潜空间思维分配信用：单个最终答案会混合思维质量与答案采样噪声。本文提出潜空间思维信用（LTC），一种分层信用分配框架。针对每个提示，LTC采样多个潜空间思维，固定每个思维之后的上下文，再从同一上下文生成多个答案，通过平均答案奖励估计思维级期望奖励。LTC用思维级优势优化潜空间思维阶段，用答案级优势优化答案阶段，并加入优势加权的思维匹配目标，帮助策略复现高信用思维。研究在GRPO式同策略训练框架中实现LTC，在数学推理和STEM多项选择题上评估。LTC取得所比较方法中的最佳平均准确率；消融实验与固定上下文诊断显示，多答案估计减少奖励估计误差，缓解模糊或错误的思维级信用。