推理模型通过长链思维（ CoT ）实现了强大的性能，但通常花费的代币多于解决问题所需的代币。现有的缩短CoT的方法需要对每个模型进行额外的训练，在模型的隐藏状态中添加固定的转向矢量，或者使用解码启发式，例如提前停止或禁止“等待”等单词，这会降低准确性。我们提出怀疑

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2610.18862v1)获取最准确的信息。

---
🔗 **原文链接**: [DoubtLess: Training-Free Contrastive Decoding for Efficient ](https://arxiv.org/abs/2610.18862v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Minghao Luo, Liang Chen

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
推理能力是LLM的下一个战场。这篇文章技术细节到位，适合有一定基础的同学细读。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-10-14 22:02