推理大模型效率提升技术 核心观点 - Salesforce AI Research开源两项创新技术Elastic Reasoning和Fractured Sampling，显著提升大模型推理效率，在数学和编程任务中表现突出[1][4] - Elastic Reasoning通过"思考-解题"分段预算管理，输出缩短30%同时保持准确性[1][7] - Fractured Sampling通过三维碎片化采样重新定义推理成本-性能前沿，计算开销更低[2][20] Elastic Reasoning技术细节 - 采用"思考分段法"：显式划分思考部分和解题部分，分别分配token预算[7] - 训练方法：成本可控强化学习采样（Budget-constrained rollout），使模型适应不完整思考作答[9] - 效果验证： - E1-Math-1.5B模型在Math数据集正确率35.0%，大幅领先L1的27.1%[13] - E1-Code-14B在Codeforces达到1987rating（96.0%分位），媲美O1模型[14] - 无预算限制时，AIME任务token使用减少32.1%，LiveCodeBench减少37.4%[16] Fractured Sampling技术细节 - 三维采样控制：推理路径数n、每条路径解答数m、思考深度H[26] - 关键发现：增加思考深度H维度能更高效提升准确率[24][25] - 实验数据： - 在DeepSeek-R1系列模型上，H=16时准确率提升至61.4%（基准60.4%）[28][29] - 联合采样n/m/H时，DeepSeek-R1-Qwen-14B平均准确率达68.3%[28] - 早停技术减少约20%生成token数量[31] 开源资源 - Elastic Reasoning代码库及E1模型已开源[32] - Fractured Chain-of-Thought项目代码公开[32] - 相关论文发布于arXiv平台[32]