两篇新研究论文探讨了大语言模型（LLMs）的内部工作机制及其推理能力。一篇论文调查LLMs是否编码了超出标准语言标注所能捕捉到的形式句法结构，并发现了支持这一观点的证据。另一篇论文提出了一种新方法EDRM，通过分析文本生成过程中的熵动力学来确定何时LLMs能从思维链（chain-of-thought）推理中受益，表明选择性推理可以提高效率和准确性。 AI
影响 这些研究为理解LLM的内部表征提供了更深入的见解，并提供了更有效和高效推理的方法，可能指导未来的模型开发和应用。
排序理由 两篇在arXiv上发表的学术论文，讨论了大语言模型的内部机制和推理。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.26431v1 Announce Type: new Abstract: Structural probes train on Universal Dependencies (UD), which does not encode formal-syntactic abstractions such as phase boundaries or phase-internal cohesion. Whether large language models (LLMs) encode these remains an open quest…
arXiv:2605.22873v1 Announce Type: cross Abstract: Chain-of-thought (CoT) reasoning has become the default strategy for enhancing LLM capabilities, yet its application raises a fundamental question: when is explicit reasoning actually beneficial? Empirical evidence reveals a strik…