MTI 与 STREAMMA：推理算力省着花能更准，但先得找对关键几步

1. 先立坐标系：推理期的算力，花在哪才算数

训练期扩展接近天花板之后，测试时扩展成了主流答案：推理时投入更多计算，用更深的推理或更广的搜索换更高准确率。CoT、self-consistency、Tree of Thoughts 都在这条路线上，它们共享一个代价假设：拿推理效率换性能，多条轨迹、大量采样、长链推演，开销随质量一起上行MTI。

今天要讲的两篇工作从同一个问题出发，却给出两个反着来的答案。MTI（Minimal Test-Time Intervention，最小测试时干预）说：别到处都花。推理错误并不均匀分布，只有少数高熵 token（词元，模型自己高度不确定的位置）决定答案的生死，所以只在这些位置做最小干预，其余位置照常生成。STREAMMA（Streaming Multi-Agent Reasoning，流式多智能体推理）说：别让下游干等着。多智能体链式推理里，下游智能体一直闲置到上游把整段回答写完，把通信粒度从完整回答细化为推理步骤、边生成边转发，算力花在消除等待上STREAMMA。

两条路线共享同一个方法论立场：不改造模型、不碰训练，只在解码层与智能体协议层重新分配算力。支撑它们的，是同一个关于推理结构的事实：推理路径的分叉点比我们以为的少得多。下面这张图来自 Wang 等人（2025）的研究，不是 MTI 的图，但它把现象讲得很直白：

图注：(a) 面板是 CoT 轨迹里 token 熵的分布，绝大多数 token 熵很低，只有极少数 token 熵显著偏高，它们就是推理路径上的分叉点（forks）；(b) 面板显示，把训练时反向传播的策略梯度（policy gradient，决定模型朝哪个方向更新）只限制在这批高熵 token 上，效果不降反升，且随模型规模放大。HighEntropy

后续两篇论文各自从这张图里取走一半：MTI 在解码侧对高熵 token 施加干预，STREAMMA 在协议侧让下游只吃到最可靠的头部步骤。但先别急着看方案，第一个要回答的问题是：凭什么说推理错误集中在少数位置？

2. 答错与答对差在哪：少数高熵 token 决定了答案的生死

MTI 的出发点是 AIME2024 上一个很廉价的对照：把模型答对的轨迹和答错的轨迹分开，比较它们的熵。先给两个定义。第 t 步的 token 熵衡量模型对这一步预测的不确定程度：

$$H_t = -\sum_{i=1}^{V} p_i \log p_i$$

其中 $p_i$ 是 softmax 之后第 i 个候选 token 的概率，V 是词表大小；分布越平、越接近均匀，熵越高。整条轨迹的答案熵（answer entropy）是逐 token 熵之和 $A_n = \sum_{t=1}^{T_n} H_t$，再对 N 个样本平均，就得到论文里的平均答案熵MTI.

图注：背景直方图是 Qwen3-8B（思考模式）在 AIME2024 上生成 token 的熵分布，绝大多数 token 熵接近 0，只有右侧少数 token 熵很高，整体极度右偏；内嵌对比条显示答错的回答平均答案熵 5860.85，几乎是答对的 2584.46 的两倍多。注意这是纯观察，不含 MTI 干预后的结果。MTI

这两组数字放在一起，结论并不是"答错的每一步都更糟"，而是错误集中在少数高熵岔路口。可以用编译器的关键路径来想：关键路径（critical path）是程序里决定整段耗时的那条最长依赖链，关键路径之外你怎么优化都不改变总耗时。这里结构对得上：推理链上少数高熵 token 决定整条答案的正误，其余低熵 token 动不动都不影响结果；自回归生成里，局部的不确定还会顺着链条传播放大，一个高熵位置的判断失误，会让后面每一步都建立在错误前提上。这正是不干预不行的原因，也正是"只干预这些位置就够了"的根据。

而且"更多并不总是更好"在序列层面有独立证据。Wu 等人（2025）在对 Qwen2.5 系列真实模型（MATH Level 5）的实验中，CoT 长度与准确率呈倒 U 形：1.5B 模型的最优长度是 14 步，72B 模型反而只有 4 步，更强的模型倾向把推理压缩进更少、更可靠的步骤里WhenMoreIsLess。

位置找对了，下一步的问题是：用什么手段去干预？那就要回到 CFG，以及 MTI 对它的两次改造。

3. CFG 的加权公式为什么写在 log 空间：从一次加权到 MTI 的三板斧

CFG（classifier-free guidance，无分类器引导）你已经很熟：把条件分支与无条件分支的预测加权起来，让输出更贴近任务要求。MTI 用的正是同一套路数，但把公式写在了 log 概率空间：

$$\log \hat{P}(x_t \mid c, \bar{c}, x_{<t}) = (1 - \omega) \cdot \log P(x_t \mid \bar{c}, x_{<t}) + \omega \cdot \log P(x_t \mid c, x_{<t})$$

c 是条件分支的上下文，c̄ 是无条件分支里的负向提示，ω 控制引导强度。问题在于：为什么是 log 空间，而不是直接给 P(·|c) 和 P(·|c̄) 各乘一个权重再相加？把两边取指数看就清楚了：log 空间的线性插值，等价于原始概率空间的几何加权

$$\hat{P}(x_t) = P(x_t \mid \bar{c}, x_{<t})^{1-\omega} \cdot P(x_t \mid c, x_{<t})^{\omega}$$

也就是两个分布逐 token 的几何平均。乘性加权与加性加权不同：它直接作用在概率比上。某个候选在条件分支与无条件分支之间的证据比，会整体被取 ω 次方，假设条件分支的证据是无条件分支的 10 倍，加权后这个优势被放大成 $10^{\omega}$ 倍，而不是被加性混合稀释成"差一点点"。所以 ω 的语义是一句话：以多大幅度推离无条件分支、拉近条件分支。ω=1 就是纯条件，ω>1 是超调，把条件分支的证据进一步放大。

为什么 CFG 天生就该写在 log 空间？这要从出身讲起。CFG 最早为扩散模型提出（Ho & Salimans, 2022），扩散模型学的本身是 log 概率的梯度（denoising score matching 把 score 估计为 $\nabla \log p$），把条件与无条件两个 score 做线性组合，映射回分布就是 log 概率空间的线性插值CFG-Diffusion。LLM 学的同样是 log 概率（softmax 交叉熵的目标就是 log p），所以这条式子从扩散模型平移过来时，形式和理由都原样保留。

那它为什么能压住高熵步的不确定性？高熵步的 logits（未归一化的原始分数，softmax 的输入）分布很平，top-1 与被压制的候选差距很小，概率排序本身就不可靠。log 空间的几何加权在这里做的是重排序：任务分支的证据按 ω 放大，错误分支的证据按 1−ω 压缩，原本纠缠的候选被重新拉开距离，被错误压制的正确候选得以浮上来。低熵步则完全相反：分布单峰主导，模型已经自信，加权改变不了 top-1 预测，执行 CFG 只是白算。这后一句话不是效率上的偷懒，而是机制使然，本段后面就有直接证据。

但把 vanilla CFG 直接用在高熵位置上，有两个障碍，都来自 LLM-CFG 的移植方式（Sanchez et al., 2023）。其一，扩散模型会在训练时专门学一个空条件（null condition）来充当无条件分支，LLM 没有这个过程，空负向提示校准差，无条件分支控制力不稳；其二，条件与无条件两支的上下文不同，要维护两套 KV cache（键值缓存，把已生成前缀的注意力键值存起来避免重复计算的机制），内存和计算双倍开销LLM-CFG. MTI 的三板斧，分别对应这两个障碍和"选择性"本身：

图注：左栏是 vanilla CFG：上下两套 KV cache（Cache_c 与 Cache_c̃）分别维护条件与无条件分支，每个 token 都走双分支计算，标注 "Ineffective + Inefficient"（无效且低效）；右栏是 MTI：H₁=0.1、H₂=0.2 都小于阈值 τ，对应分支被虚线跳过，只有 H₃=1.2 超过 τ 时触发实线干预；底部 Cache_c 标注 Reuse（复用），只注入一句 "OUTPUT ERROR"，标注 "Effective + Efficient"（有效且高效）。MTI

第一板斧是选择性 CFG 干预：解码时实时监控 token 熵，只有 $H_t > \tau$ 才施加 CFG，其余位置照常生成。第二板斧解决无条件分支不稳：在高熵 token 即将生成前，往输入末尾追加两个词的负向提示 "OUTPUT ERROR"，隐式构造一个"我不想要的分布"作为无条件分支；这个分支的语义明确（错误、失败），比空提示可靠。第三板斧解决双 KV cache：无条件分支复用条件分支的 KV cache，只在末尾多算两个辅助 token，不再维护第二套缓存。

为什么"只在高熵处开 CFG"不只是一个省算力的工程选择，而是机制必然？看这份直接证据：

图注：按 vanilla CFG 是否改变 top-1 预测，把 token 分成两组统计熵分布。上图（未被成功修改的 token）几乎全部挤在熵≈0 处，数量级上万；下图（被成功修改的 token）集中在熵≈0.7 附近，峰值只有几百。两图纵轴数量级的巨大落差本身就是结论：CFG 根本改不动低熵 token，它只在高熵处有效。MTI

机制上说得通，数据上呢？下一章看 MTI 的完整证据链：只干预两成不到的 token，效果和代价分别是什么。

4. 只干预两成不到的 token，凭什么更准还更快

先看调参面。三组消融（熵阈值 τ、CFG 强度 ω、负向提示选择）呈现同一个形状：先升后降，峰值附近有一段平坦区域：

图注：(a) 熵阈值 τ：准确率在 τ=0.5 附近达峰，随后回落；(b) CFG 强度 ω：峰值在 1.5 附近，之后保持高位平稳；(c) 负向提示选择：语义明确的负向提示效果最好（OUTPUT ERROR），一致好于正向提示，也明显好于 apple、!!! 这类无意义或弱信息 token。MTI

峰值附近那段平坦区说明 MTI 对超参数不敏感，不需要精细调参。论文自己在局限性里坦白了 apple 这类无意义 token 也能相对直接推理涨分，只是远不如语义明确的负向提示，这个现象的可解释性还没有答案，属于留给未来的问题MTI.

主结果用两组数字就能说清。DeepSeek-R1-7B 在六个基准上的平均分从 61.70 到 70.98（τ=0.5，CFG 使用率只有 21.8%）；Ling-mini-2.0 在 AIME2024 随机采样下从 60.00 到 71.25（τ=1.0，使用率只有 1.4%）。把 τ 在 0.1 到 0.5 的区间里扫，CFG 只覆盖约两成到三成的 token，六任务平均就被推过了 70。九成以上的 token 根本没碰过，这九成里包括大量低熵的中间步骤，它们不需要干预。

还有一个和"重排序"直接相关的现象。温度采样这类方法是保序的：它不改变候选 token 之间的概率排序，只是按排序采样。如果模型在某个位置把错误候选排到了第一，采样只能放大错误。MTI 在高熵处对 logits 重排序，把被压制的候选提升上来。最典型的例子是 GPQA-Diamond 上的 DeepSeek-R1-7B：贪心直接推理严重重复，只有 29.29%，MTI 纠正 top-1 logits 后排布，提到 51.52%（+22.23%）。这也解释了为什么 vanilla CFG 在 AIME2024 上常常不如直接推理：全步均匀干预把自信步骤也一起扰动，低熵区被改动反而打乱逻辑流（Qwen3-8B 上 73.34 vs 73.75）MTI.

接下来是最反直觉的一条：干预通常意味着加算力，但 MTI 不必然增加推理时间。在 Qwen3-14B 上，τ=1.5 时总延迟 3954 秒，反而低于直接推理的 4547 秒；对比之下 vanilla CFG 要 12411 秒。原因在于干预把推理轨迹导短了：错误传播被抑制，模型走的推理链更直接，自发实现 token 缩减效应。案例对比把三种行为摆在一起：

图注：同一道分段函数题。直接推理（DI）重写分段范围上界时丢掉常数项 +2a；vanilla CFG（VC）在断言与撤回之间循环震荡，反复出现 "But wait… Let me think again…"；MTI 显式做边界与不等式检查，得到正确上界与最终答案。MTI

这个案例还有另一层含义：VC 的循环震荡正是"对全部 token 施加 CFG"的典型病灶。低熵的稳定步骤被强行干预，模型在自己本来确定的地方反复自我怀疑。选择性不只是省算力，它还是避免制造新错误的方式。

最后补一个训练侧的旁证。Wang 等人（2025）在 RLVR（基于规则的强化学习）训练里发现：只对 top-20% 高熵 token 施加策略梯度，就足以维持甚至超过全 token 训练，Qwen3-32B 上 AIME'25 与 AIME'24 分别 +11.04 与 +7.71HighEntropy。解码侧只干预高熵 token 有效，训练侧只更新高熵 token 也有效，同一个现象的两侧证据，高熵局部化不是 MTI 的孤立发现。

单模型的问题到这里告一段落：找到关键 token，干预它们，效果和效率双收。但如果把推理搬进多个智能体的协作场景，等待成了新的算力黑洞。下一章看 STREAMMA 的动机。

5. 多智能体的延迟病根：下游为什么一直在干等上游写完

多智能体链式推理的现状是生成-再传递（generate-then-transfer）：上游智能体必须把整段回答写完，下游才能开工。三段接力，每段都在等前一段的完整输出，端到端延迟随流水线深度线性增长，下游大部分时间闲置STREAMMA.

STREAMMA 的协议改动非常小：把传输单元从完整回答细化为推理步骤，每步一产出就立即转发给下游，上下游因此流水线并行。看时间线对比：

图注：(a) Serial：每个智能体的四步输出攒成一块，前一块整体完成后下一块才开工，总时长 T_serial 是各块时长之和，下游全程闲置；右侧标注笑脸与 "Effective + Efficient!" 的是 (b) Stream：上游每生成一步就单独转发，下游收到一步处理一步，时间线交错，T_stream 明显短于 T_serial，图上直接标了 Time Saved（节省的时间）。STREAMMA

可以这样想：上游不必把整本剧本写完才交稿，写一页传一页，读者（下游）收到一页读一页。等待的最小单元从"整段"缩成了"一步"，下游从"读完全文再开工"变成"边收边想"。类比到这里就够，协议的本质是时间线上把等待消掉。

但流式最反直觉的地方不在延迟，而在效果：为什么下游只看上游的前几步，反而答得更准？答案是步骤质量非均匀：多步推理里早期步骤通常可靠、后期步骤逐渐退化（头强尾弱）。Serial 把完整回答一股脑塞给下游，等于把易错的后半段一起传过去；Stream 让下游先吃到最可靠的前缀，等退化的后期步骤到达时，下游已经基于前缀形成了自己的独立轨迹，后期错误的影响被稀释掉。

"早期可靠、后期退化"不是想当然，Wu 等人（2025）的序列级证据直接画出了这个形状：

图注：左面板是受控算术任务（6 层 GPT2）上准确率随 CoT 长度的曲线，呈倒 U 形，峰值随任务难度右移，超出最优长度后准确率回落；右面板是 Qwen2.5-7B 的 RL 训练：准确率上升的同时，平均生成 CoT 长度收敛变短，模型学会了更简洁的推理路径。WhenMoreIsLess

由此得到一个比"信息越多越好"更强的判断：上下文何时到达，比到达多少更重要。这正好和 MTI 共享同一个结构：推理质量不是均匀分布的，关键位置决定成败。那么问题来了，流式协议到底什么时候更快、什么时候更准、什么时候反而更差，这套边界能不能提前算出来？下一章进入 STREAMMA 的三个闭式定理。

6. 边想边说：步骤级流式凭什么更快，又什么时候更准

STREAMMA 把形式化建立在一条 A 个智能体的链上（Agent 1 → … → Agent A），每个智能体产出 S 个推理步骤；据作者所述，这是 Stream、Serial、Single 三种协议的第一次闭式联合分析。先看协议本身，算法 1（Serial）与算法 2（Stream）的三个差异STREAMMA：

第三行值得多说一句：下游每次调用的上下文都只在前一次的基础上追加一个新步骤，前缀被反复复用，这在现代服务栈（vLLM、SGLang）里能直接转成 prefix cache 命中的效率收益，也是后面成本定理的伏笔。整体上可以把它想成一条生产流水线：上游是生产者，做完一个工件就放进传送带，下游是消费者，不等整批货就开工，最小流转单位从整箱变成单个工件。

有效性部分，把每个上游步骤 j 建模为以概率 $p_j$ 正确。一个正确步骤让下游的步骤级正确率期望上升 δ，一个错误步骤让它下降 ε，于是步骤 j 的期望贡献是：

$$\mu_j = p_j \cdot \delta - (1 - p_j) \cdot \varepsilon$$

它非负当且仅当 $p_j \geq \varepsilon/(\delta+\varepsilon) \triangleq p^$。这个 p 是整条分析的盈亏平衡线：步骤正确率高于它，把这一步传给下游是有益的；低于它，传过去反而有害。再定义三个加权平均：均匀均值 p̄、头加权均值 p_head（早期步骤权重更大）、尾加权均值 p_tail（后期步骤权重更大）。定理 1 说，三种模式的步骤级正确率排序，完全由 p_head、p̄、p_tail 相对 p* 的位置决定，一共六种情形：

图注：定理 1 的六种情形。横轴是步骤序号 j，纵轴是步骤正确率 p_j，水平虚线是盈亏平衡阈值 p*；每个小图是一种 profile 形状，左侧列出对应的三种模式排序，按 Stream 优势、Serial 优势、Single 优势三组各分两档。STREAMMA

六种情形的直觉可以归成三类。Stream 优势（I.a / I.b）的条件是头强尾弱：p_head > p* 且 p_tail < p*，这是多步推理最常见的错误累积形状。Stream 让下游吃可靠前缀、稀释错误尾部；Serial 被迫把干净的头部与出错的尾部混在一起交给下游。I.a（p̄ > p*）里完整上下文总体有益，排序是 Stream > Serial > Single；I.b（p̄ < p*）里后期把整体拖到线以下，Serial 反而输给 Single，排序变成 Stream > Single > Serial。Serial 优势（II.a / II.b）的条件是 p̄ > p* 且 p_tail > p*：整体均值与尾部均值都在盈亏平衡线上方（II.b 的早期步骤位于线以下，最终靠尾部与均值翻盘），"信息越多越好"回归。其中 II.b 对应自纠正：上游早期犯错但最终改正，Stream 被迫从有害的早期步骤起步，反而垫底。Single 优势（III.a / III.b）的条件是 p_head < p* 且 p̄ < p*：题目太难，任何上游步骤都有害，单智能体不接上游上下文反而最好。

六个 case 不是纸面推演，论文用一个受控案例把它落到数字上：

图注：双智能体链（S=8）的实例化。(a) Agent 1 的步骤判定：前两步正确（✓，p_j=1），第 3 到第 8 步全部错误（✗，p_j=0）；(b) 代入定理 1 的公式：p̄=0.25、p_head≈0.42、p_tail≈0.04，得到头强尾弱形状，落在 I.b（Stream 优势区）。结论：Stream ✓，Serial 与 Single ✗。STREAMMA

效率部分停在直觉上就够了。定理 2 给出 Stream 相对 Serial 的延迟加速比上界，当缓存读取、前缀填充都快于解码时，它退化成经典流水线公式 $AS/(S+A-1)$：A 个智能体、每个 S 步，第一步串行穿过整个流水线，之后每一步都只被最慢的智能体卡住。定理 3 给成本比，关键结论是：Stream 虽然增加了 API 调用次数，但每个下游智能体的上下文是共享前缀，KV-cache 命中把昂贵的前缀填充替换成便宜的缓存读取。用 Claude Opus 4.6 的定价能算出两个具体数字：满命中时 Stream 比 Serial 省约 7.5%，完全不命中时反而贵约 37.5%。KV-cache 命中率是成本竞争力的决定性杠杆，这也是为什么流式方案必须和 prefix cache 基础设施绑定STREAMMA.

最后把 STREAMMA 放进通信粒度的光谱里定位：Group Think 在 token 级，同一个 LLM 内多个并发 thinker 逐 token 互相适应GroupThink；Staircase Streaming 在部分输出块级，收到每个 proposer 的第一个 chunk 就开始生成下游答案，TTFT 最多降 93%，但只论证了加速、质量维持Staircase。STREAMMA 选的是中间档：步骤级。比 token 粗、比 chunk 细，而且粒度正好对齐了"步骤正确率 profile"这个理论对象。至此两条路线各自的机制、证据和边界都齐了，最后一章把它们拼回一条主线。

7. 把两篇放回一条主线：收益的边界在哪，同行该追问什么

STREAMMA 还有第二个发现，它在实验里顺带暴露了一个新的缩放轴：把智能体数量 A 和每智能体步骤数 S 当两个独立变量，在 HMMT2026 上扫描：

图注：左面板是加速比随 S 的缩放：实测（实线）贴着定理 2 的理论上界 AS/(S+A−1)（虚线）走；右面板是准确率热力图，随 A 与 S 同步上升。STREAMMA

两个点值得记住。A=64、S=64 角落实测加速 26.9×，达到理论界 32.3× 的 83%；准确率在 A=64 时从 S=auto（模型自主决定步数）的 68.2% 提到 S=64 的 73.5%。注意 S=auto 的标记远低于大 S：LLM 不会自主把推理拆成长步骤序列，大 S 需要提示显式解锁。结论是步骤级缩放定律：固定智能体数、增大每智能体步数，效果与加速比同时提升，与已有的 agent-count scaling 正交、可组合STREAMMA.

成本与准确率的前沿放在一起看：

图注：横轴是每问成本（美元，对数刻度），纵轴是准确率。Serial×N（黑线）与 Stream×N（红线，h=0 实线、h=1 虚线）分别随投票副本数 N 增大向右上方移动；两条 Stream 曲线之间的红色阴影带是中间 KV-cache 命中率下的成本区间；Single 基线落在左下方。STREAMMA

最关键的对照：Stream×4（$2.75、90.9%）以约一半的成本超过了 Serial×16（$5.46、89.4%）的准确率，后者跑了 4 倍的副本；若 KV-cache 满命中，同一个 Stream×4 点从 $2.75 压到 $1.61。注意这条前沿只在 Claude Opus 4.6 与 HMMT2026 定价上测得，不要外推。加上主结果里 Claude 平均 +7.3 pp、HMMT2026 Chain 峰值 +22.4 pp，STREAMMA 同时是推理加速器和推理增强器。

但两条路线的收益都有边界，而且边界恰好对称。STREAMMA 这边，定理 1 的六种情形里只有头强尾弱（I.a / I.b）是 Stream 严格更优；自纠正（II.b）和题目太难（III）时串行或单智能体反而赢。受控扰动实验把这条边界直接量化：只破坏上游的尾部步骤，Stream 领先 Serial 最多 +24.0 pp；只破坏头部步骤，差距翻转为 −36.0 pp，被污染的前缀会困住下游STREAMMA.此外流式只适用于步骤可分解的任务，开放式创意写作不在区间内。

MTI 这边，边界是阈值 τ 的测量。τ 设太高，干预会跳过真正需要纠正的高熵 token：

图注：同一道题（4321/(5⁷·2⁸) 的各位数字之和）的两个 τ 配置。τ=2.5 时关键高熵位置没有受到干预，模型把分母错误展开成 2⁷·10⁷，得到终答 41；τ=2.0 时干预命中关键位置，得到正确答案 14。MTI

把它和 STREAMMA 的 p* 并排放，两条路线的收益押在同一个东西上：可测的"关键位置判据"。MTI 靠 token 熵阈值 τ 找关键位置，STREAMMA 靠步骤正确率 profile 与盈亏平衡阈值 p* 决定该不该把一步传给下游。判据测准了，少即是多成立；测不准，τ 过高跳过关键 token、profile 头部被污染时流式反而更差，收益全部反噬。

如果把这两篇放回同一个团队的探索序列，逻辑是连贯的：同一通讯作者，先在 token 级回答"算力花在哪里"（MTI，解码侧选择性干预），再在步骤级回答同一个问题（STREAMMA，协议侧流水线并行）。层次从 token 升到步骤、从单模型升到多智能体，但底层主张始终是那句：推理算力不是花得越多越好，关键位置找对，省着花反而更准。

留给同行的开放问题有两个，都适合在 talk 现场抛出去。其一，MTI 的负向提示目前是手工选择（OUTPUT ERROR，以及任务特定的 Bad Reasoning、SYNTAX ERROR），能否让它在任务分布上自适应学习，把"该压什么内容"也变成可优化的部分？其二，STREAMMA 的成本竞争力押在 KV-cache 命中率上，带工具调用的链路里搜索调用会打断前缀连续性，能否让工具调用链与 prefix cache 协同，把命中率推到接近 h=1？这两个问题一个在解码层、一个在基础设施层，正好是两篇工作各自边界的延伸。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Less is More: Improving LLM Reasoning with Minimal Test-Time Intervention (MTI) — arXiv:2510.13940
2. Streaming Communication in Multi-Agent Reasoning (STREAMMA) — arXiv:2606.05158
3. Stay on topic with Classifier-Free Guidance — arXiv:2306.17806
4. Classifier-Free Diffusion Guidance — arXiv:2207.12598
5. Group Think: Multiple Concurrent Reasoning Agents Collaborating at Token Level Granularity — arXiv:2505.11107
6. When More is Less: Understanding Chain-of-Thought Length in LLMs — arXiv:2502.07266
7. Staircase Streaming for Low-Latency Multi-Agent Inference — arXiv:2510.05059
8. Beyond the 80/20 Rule: High-Entropy Minority Tokens Drive Effective Reinforcement Learning for LLM Reasoning — arXiv:2506.01939