Salesforce团队 投稿 量子位 | 公众号 QbitAI 推理大模型如何提升效率？Salesforce AI Research开源神器两连发—— Elastic Reasoning 和 Fractured Sampling 。 Elastic Reasoning用"想多少、答多少"替代了"想到哪算哪"，让模型在预算范围内思考更合理，输出缩短30%，同时保持（甚至提高）了准 确性。 Fractured Sampling让模型"少想早答"，重新定义了思维链推理的成本-性能前沿，使LLM能够在更低的计算开销下实现强大的推理。 这两种方案显著提高了数学和编程任务的准确率，在推理预算紧张时依然表现出色。 Elastic Reasoning：首次实现"思考-解题"分开管预算 当前的推理大模型在处理任务时往往需要生成长的Chain-of-Thought（CoT）推理链，效果虽好，但开销很大。 在预算有限的情况下，Elastic Reasoning提出了一种新的"思考分段法"：把推理流程显式划分为 思考部分 和 解题部分 ，为它们分别分配 token预算。 通俗地讲，让大模型每次生成时，不再一股脑"想到哪说到哪"，而 ...