SwiReasoning有什么陷阱？
摘要
SwiReasoning是一种推理技术，能提高答案准确度并减少token使用量，尽管每秒token数较低，但推理感觉更快。该技术已有9个月历史，但未得到充分利用，已有开源实现可用。
我刚刚听说SwiReasoning，并在Qwen 3.6 27b上试用了一下，有点惊讶。它的答案更准确，解题速度也快得多。虽然t/s稍慢，但所需的token数量少得多，感觉更快。有人试过吗？有什么陷阱？这项技术已经存在9个月了，为什么没有普及？来源：
- https://github.com/sdc17/SwiReasoning
- https://github.com/Antonbe1b/swireasoning-llamacpp
相似文章
通过自我调节的模拟规划实现高效代理推理
介绍了 SR²AM，一种通过自我调节的模拟规划实现高效代理推理的框架，在推理 token 减少 26-95% 的同时，达到了与 20-30 倍参数规模模型相竞争的性能。
@cerebras: https://x.com/cerebras/status/2067357992929153268
关于AI推理模型的经济性和性能影响的分析，表明启用推理可以将准确率提高10-20%，但消耗的token数量增加5-10倍，并讨论了不同的推理类型及其应用。
提示微调：数据越少，推理能力越强
本文提出了一种名为“提示微调”（Hint Tuning）的数据高效方法，该方法根据问题难度校准推理深度，从而减少推理模型中的标记使用量。在仅需1K个自标注样本的情况下，该方法在 Qwen3-Thinking 和 DeepSeek-R1-Distill 等模型上实现了显著的标记减少（24%-66%）。
Thinking-while-speaking: A Controlled, Interleaved Reasoning Method for Real-Time Speech Generation
This paper introduces InterRS, a method for real-time speech generation that interleaves reasoning steps during natural pauses in speech, achieving better performance on math and logic benchmarks while maintaining fluent and instant responses.
答案词元如何读取推理轨迹？思维大模型在定量推理中的自读模式
研究发现，思维大模型中的答案词元在定量推理时遵循结构化自读模式——前向漂移+聚焦关键锚点，并据此提出免训练 SRQ 引导方法，无需微调即可提升准确率。