字节复旦团队推出自适应推理框架摆脱模型对思维链过度依赖
过度依赖CoT思维链推理会降低模型性能，有新解了！
来自字节、复旦大学的研究人员提出自适应推理框架CAR，能根据模型困惑度动态选择短回答或详细的长文本推理，最终实现了准确性与效率的最佳平衡。
推理能力的进步极大提升了大语言模型（LLMs）和多模态大语言模型（MLLMs）在各类任务中的表现。
但已有研究发现，长CoT推理并非总能提升准确率，甚至会削弱模型处理简单任务的能力（可能产生冗长输出）。
为此，研究人员提出了CAR这一基于置信度的自适应推理框架，它首先生成简短回答并评估困惑度，仅在模型置信度低（困惑度高）时触发推理。
在多模态视觉问答、关键信息提取及文本推理等多个基准测试中，CAR超越了单纯的短回答与长推理方法，在准确性与效率之间取得了最佳平衡。
