隨著 AI 技術的飛速發(fā)展，從「快思考」到「慢思考」，大語言模型（LLMs）在處理復雜推理任務上展現(xiàn)出驚人的能力。無論是我們熟知的思維鏈（CoT），還是更復雜的深度思考模式（Thinking），都讓 AI 的回答日益精準、可靠。

然而，這種性能的提升并非沒有代價。模型在推理過程中會產(chǎn)生大量的中間步驟和文本（tokens），這不僅極大地拖慢了計算速度，還對內(nèi)存和計算資源造成了巨大的壓力。簡單來說，就是「想得越多，算得越慢，耗得越多」。

為了解決這一難題，研究者們從人類的認知過程中汲取靈感。想象一下人類在解決一個復雜數(shù)學題時的情景：我們通常會在草稿紙上寫下關鍵的計算步驟（如下圖 a 中的黃色高亮部分），而將一些輔助性的思考過程（非高亮部分）放在腦中。

圖 1：(a) 展示了一個典型的思維鏈推理過程，黃色部分為關鍵步驟。(b) 對比了傳統(tǒng)方案 Vanilla 與 LightThinker 的推理流程。

本文中，來自浙江大學、螞蟻集團等機構的研究者提出了LightThinker，它模仿了這一高效的思考模式。它訓練 LLM 在推理過程中動態(tài)地將冗長的中間思考步驟壓縮成緊湊的表示（gist tokens /cache tokens），然后「扔掉」原始的、繁瑣的推理鏈，僅保留核心摘要以繼續(xù)下一步的思考。 這樣一來，存放在上下文窗口中的 tokens 數(shù)量被大幅削減，從而顯著降低了內(nèi)存占用和計算成本。

• 論文標題：LightThinker: Thinking Step-by-Step Compression
• 論文鏈接: https://arxiv.org/abs/2502.15589
• 代碼鏈接: https://github.com/zjunlp/LightThinker

LightThinker 概覽

LightThinker 通過訓練的方式讓模型具備這種能力。這涉及到兩個關鍵問題：「何時壓縮？」和「如何壓縮？」。整個過程可以概括為以下三個關鍵步驟：

第一步：數(shù)據(jù)重構 —— 在思考流程中植入「壓縮指令」

LightThinker 的第一步就是改造訓練數(shù)據(jù)，讓 LLM 明白「壓縮」這個動作的存在和時機 。具體操作是：

1. 步驟劃分：首先，將模型原本冗長的完整回答 Y，按照語義或段落（即一個完整的「想法」）切分成若干個思維步驟 S1, S2, S3, ...。
2. 插入特殊指令符：在這些思維步驟之間，插入一組特殊的「指令令牌」4。這組指令符主要包含兩個部分：

• 緩存令牌 (Cache Tokens, C)：這是一組特殊的、用于存儲壓縮后信息的「摘要令牌」。它的作用就像是為即將產(chǎn)生的「思想摘要」預留的空白便簽。
• 輸出令牌 (Output Token, [o])：這是一個強制性的輸出信號，它的作用是告訴模型：「好了，摘要寫完了，現(xiàn)在請基于這份摘要繼續(xù)你下一步的思考」 。

經(jīng)過這樣的改造，原本一條完整的思考鏈，就變成了一個「思考步驟 1 S1 →進行壓縮→ 繼續(xù)思考步驟 S2 →再次壓縮→ ...」的全新格式。這等于是在模型的學習材料中明確地標注出了「何時」需要進行壓縮。

注意，研究者在具體實現(xiàn)中，采用換行符作為思維步驟的劃分，此處不存在任何數(shù)據(jù)精心構造的過程。

第二步：注意力改造 —— 學會壓縮與理解壓縮的內(nèi)容

教會了模型「何時」壓縮，下一步就是最關鍵的如何壓縮。這主要通過一種名為 「Thought-based Attention Mask」的技術來實現(xiàn)，如圖 2 (b) 所示。精確地控制著模型在思考時 “能看什么” 和 “不能看什么” 。

這個過程分為兩個階段：

• 壓縮階段（生成思維摘要）：當模型需要將思維步驟 Si 壓縮進緩存令牌 C 時，注意力掩碼會強制這些 C 令牌只能「看到」三個東西：

• 最初的問題 X；
• 先前已經(jīng)壓縮好的歷史摘要；
• 當前正在處理的思維步驟 Si。

其他所有原始的、未壓縮的思維步驟都會被「遮蔽」。這迫使模型必須將 Si 中的所有關鍵信息高度濃縮并存儲到 C 中 。

• 生成階段（基于摘要生成思維）：當思維步驟 Si 被成功壓縮進 C 之后，更關鍵的一步來了。在生成下一個思緒片段 S (i+1) 時，注意力掩碼會徹底「遮蔽」掉原始的思維步驟 Si。此時，模型只能「看到」最初的問題 X 和包括剛剛生成的摘要在內(nèi)的所有歷史摘要 。

通過這種方式，模型被迫學會僅依賴緊湊的「思想摘要」來進行連貫的、層層遞進的推理，而不是依賴越來越長的原始思考全文。

第三步：動態(tài)推理 ——「即用即棄」的高效循環(huán)

經(jīng)過以上兩個步驟的訓練，LightThinker 模型在實際推理時，就會形成一種高效的動態(tài)循環(huán)，如圖 1 (b) 和圖 2 (c) 所示，清晰地展示了「生成→壓縮→拋棄」的動態(tài)循環(huán)過程。下面以圖 1 (b) 為例進行分析：

1. 模型接收問題，生成第一段思考（Thought 1）。
2. 觸發(fā)壓縮，將 Thought 1 中的核心信息壓縮成緊湊的摘要（CT1）。
3. 拋棄原文，將冗長的 Thought 1 從上下文中丟棄。
4. 模型基于問題和摘要（CT1），生成第二段思考（Thought 2）。
5. 再次壓縮，將 Thought 2 壓縮為摘要（CT2），并丟棄 Thought 2 原文。
6. 如此循環(huán)，直到問題解決。

通過這種「即用即棄」的機制，LightThinker 確保了模型的上下文窗口始終保持在一個非常小的尺寸，從而解決了因上下文過長導致的內(nèi)存爆炸和計算緩慢問題，實現(xiàn)了效率與性能的完美平衡。

圖 3 展示了不同方法在推理過程中上下文長度的變化，其中曲線和坐標軸圍城的面積為我們定義的新指標 Dependency，其意義生成 token 時需要關注 token 的數(shù)量總和。

實驗結(jié)果

研究者在四個數(shù)據(jù)集和兩個不同的模型上對 LightThinker 進行了廣泛的測試，結(jié)果如表 1 所示。

表 1 主要實驗結(jié)果。Acc 為準確率，Time 為平均推理耗時，Peak 為平均峰值 token 占用數(shù)量，Dep 為生成 token 時需要關注 token 的數(shù)量總和（如圖 3）所示。

結(jié)果表明，在 Qwen 系列模型上，與傳統(tǒng)模型（Vanilla）相比：

• 峰值內(nèi)存使用減少 70%：LightThinker 極大地節(jié)約了寶貴的內(nèi)存資源。
• 推理時間縮短 26%：在保證結(jié)果準確性的前提下，思考速度得到了顯著提升。
• 取得了準確度和效率的平衡。

此外，在 Llama 上，也取得了準確度和效率的平衡。

相關工作

當前關于加速大語言模型（LLMs）推理過程的研究主要集中在四類方法：模型量化、輔助解碼、生成更少的 Token 和減少 KV 緩存。模型量化包括參數(shù)量化 [1-2] 和 KV 緩存量化 [3-4]，輔助解碼主要包括投機采樣，本節(jié)將重點關注后兩類方法。

需要注意的是，生成長文本和理解長文本代表著不同的應用場景，因此，專門針對長文本生成階段的加速方法（例如，預填充階段加速技術如 AutoCompressor [5]、ICAE [6]、LLMLingua [7]、Activation Beacon [8]、SnapKV [9] 和PyramidKV[10]）不在此處討論。以下是后兩類方法的詳細概述。

生成更少的 Token

這一類別可以根據(jù)推理過程中使用的 token 數(shù)量和類型進一步分為三種策略：

• 離散 Token 減少通過提示工程 Prompt [11-13]、指令微調(diào) [14-15] 或強化學習 [16-17] 等技術來引導 LLM 在推理過程中使用更少的離散 token。例如，TALE [11] 提示 LLM 在預定義的 token 預算內(nèi)完成任務。Arora 和 Zanette [16] 構建特定數(shù)據(jù)集并采用強化學習獎勵機制來鼓勵模型生成簡潔準確的輸出，從而減少 token 使用量。
• 連續(xù) Token 替換這些方法 [18-19] 探索使用連續(xù)空間 token 代替?zhèn)鹘y(tǒng)的離散詞匯 token。一個代表性例子是CoConut[18]，它利用課程學習來訓練 LLM 使用連續(xù) token 進行推理。
• 無 Token 使用通過在模型層之間內(nèi)化推理過程，在推理過程中直接生成最終答案而不需要中間 token [20-21]。

這三種策略都是在模型訓練后實施的，推理過程中不需要額外干預。從技術上講，這些方法的加速效果依次遞增，但代價是 LLM 的泛化性能逐漸下降。此外，第一種策略并不能顯著減少 GPU 內(nèi)存使用。

減少 KV 緩存

這一類別可以分為兩種策略類型：基于剪枝的離散空間 KV 緩存選擇和基于合并的連續(xù)空間 KV 緩存壓縮。

• 基于剪枝的策略設計特定的淘汰策略 [22-25] 在推理過程中保留重要的 token。例如，StreamingLLM[23] 認為初始的 sink token 和最近的 token 是重要的；H2O [22] 關注具有高歷史注意力分數(shù)的 token；SepLLM[24] 強調(diào)對應于標點符號的 token 是重要的。
• 基于合并的策略引入錨點 token，訓練 LLM 將歷史重要信息壓縮到這些 token 中，從而實現(xiàn) KV 緩存合并 [26]。

這兩種策略都需要在推理過程中進行干預。關鍵區(qū)別在于：第一種策略是無需訓練的，但對每個生成的 token 都要應用淘汰策略；而第二種策略是基于訓練的方法，允許 LLM 自主決定何時應用淘汰策略。

局限性

受限于自身的數(shù)據(jù)重構方案（目前分割思維步驟是依賴規(guī)則，而不是基于語義）和訓練數(shù)據(jù)（約 16K 訓練數(shù)據(jù)），本文方法在數(shù)學相關的任務上表現(xiàn)并不出色。

如下圖所示，展示了 LightThinker 在 GSM8K 上的一個 Bad Case。研究者觀察到，盡管 LLM 在思考過程中得出了正確答案（見上圖中的 Model's Thoughts 字段），但在最終輸出中卻出現(xiàn)了錯誤（見圖中的 Model's Solution 字段）。

具體來說，在 Model's Solution 字段的第三句話中，第一次出現(xiàn)的「4000」是錯誤的。這表明在第二次壓縮步驟中發(fā)生了信息丟失（理論上，「8000」、「4000」和「24000」都應該被壓縮，但 LLM 只壓縮了「4000」和「24000」），導致后續(xù)的推理錯誤。這類錯誤在 GSM8K 數(shù)據(jù)集中頻繁出現(xiàn)，表明當前的壓縮方法對數(shù)值的敏感度還不夠。

參考文獻

[1] Lin J, Tang J, Tang H, et al. AWQ: Activation-aware weight quantization for on-device LLM compression and acceleration. MLSys 2024.

[2] Dettmers T, Lewis M, Belkada Y, et al. GPT3.INT8 (): 8-bit matrix multiplication for transformers at scale. NeurIPS 2022.

[3] Liu Z, Yuan J, Jin H, et al. KIVI: A tuning-free asymmetric 2bit quantization for KV cache. ICML 2024b.

[4] Hooper C, Kim S, Mohammadzadeh H, et al. KVQuant: Towards 10 million context length LLM inference with KV cache quantization. NeurIPS 2024.

[5] Chevalier A, Wettig A, Ajith A, et al. Adapting language models to compress contexts. EMNLP 2023.

[6] Ge T, Hu J, Wang L, et al. In-context autoencoder for context compression in a large language model. ICLR 2024.

[7] Jiang H, Wu Q, Lin C, et al. LLMLingua: Compressing prompts for accelerated inference of large language models. EMNLP 2023.

[8] Zhang P, Liu Z, Xiao S, et al. Long context compression with activation beacon. arXiv:2401.03462, 2024b.

[9] Li Y, Huang Y, Yang B, et al. SnapKV: LLM knows what you are looking for before generation. NeurIPS 2024.

[10] Cai Z, Zhang Y, Gao B, et al. PyramidKV: Dynamic KV cache compression based on pyramidal information funneling. CoRR abs/2406.02069, 2024.

[11] Han T, Wang Z, Fang C, et al. Token-budget-aware LLM reasoning. CoRR abs/2412.18547, 2024.

[12] Ding M, Liu Z, Fu Z, et al. Break the chain: Large language models can be shortcut reasoners. CoRR abs/2406.06580, 2024.

[13] Nayab S, Rossolini G, Buttazzo G, et al. Concise thoughts: Impact of output length on LLM reasoning and cost. CoRR abs/2407.19825, 2024.

[14] Liu T, Guo Q, Hu X, et al. Can language models learn to skip steps? NeurIPS 2024a.

[15] Kang Y, Sun X, Chen L, et al. C3oT: Generating shorter chain-of-thought without compromising effectiveness. CoRR abs/2412.11664, 2024.

[16] Arora D, Zanette A. Training language models to reason efficiently. arXiv:2502.04463, 2025.

[17] Luo H, Shen L, He H, et al. O1-pruner: Length-harmonizing fine-tuning for o1-like reasoning pruning. arXiv:2501.12570, 2025.

[18] Hao S, Sukhbaatar S, Su D, et al. Training large language models to reason in a continuous latent space. CoRR abs/2412.06769, 2024.

[19] Cheng J, Van Durme B. Compressed chain of thought: Efficient reasoning through dense representations. CoRR abs/2412.13171, 2024.

[20] Deng Y, Choi Y, Shieber S. From explicit CoT to implicit CoT: Learning to internalize CoT step by step. CoRR abs/2405.14838, 2024.

[21] Deng Y, Prasad K, Fernandez R, et al. Implicit chain of thought reasoning via knowledge distillation. CoRR abs/2311.01460, 2023.

[22] Zhang Z, Sheng Y, Zhou T, et al. H2O: Heavy-hitter oracle for efficient generative inference of large language models. NeurIPS 2023.

[23] Xiao G, Tian Y, Chen B, et al. Efficient streaming language models with attention sinks. ICLR 2024.

[24] Chen G, Shi H, Li J, et al. SepLLM: Accelerate large language models by compressing one segment into one separator. CoRR abs/2412.12094, 2024.

[25] Wu J, Wang Z, Zhang L, et al. SCOPE: Optimizing key-value cache compression in long-context generation. CoRR abs/2412.13649, 2024a.

[26] Pang J, Ye F, Wong D, et al. Anchor-based large language models. ACL 2024