QART：长周期推理的量子经典混合架构与条件性缩放路径

长周期推理易受早期错误影响后续决策。我们提出量子增强推理Transformer QART，将骨干语言模型与量子编码、基于CIM的QUBO优化及量子解码结合。语义信息可来自隐藏表示或模型生成文本，详细编码与优化程序仍为专有。在显式假设下，我们建立相对单轨迹自回归大模型的条件性渐近可靠性分离。对于最优性与验收标准一致的共同任务族，若不可逆错误的累积条件风险发散，自回归验收概率趋零；若在指定资源安排下，最优路径覆盖、语义保真、谱认证、动力学可达和忠实读出的条件概率均保持一致正下界，QART恢复任务最优路径的概率则远离零。架构本身并不保证这些界。以Codex智能体环境中的DeepSeek V4 Flash、GLM-5.3和GPT-5.5 xhigh，在六个长周期基准进行配对测量，15组骨干与基准组合中14组有利于QART。SciCode相对增益最高84.0%，τ³-Bench为47.6%，Terminal-Bench 4.0为44.4%；DeepSeek V4 Flash在DeepSWE上退步7.8%。这些结果不直接验证渐近分离。潜在量子缩放定律被表述为条件假设；解释为量子优势，还需证明CIM相对强经典求解器的量子优势，并在计入全部系统开销后传递到端到端推理。