MTI：只在少数高熵 token 上做干预的解码方法，比多采样更省更准

算力该加在哪儿？——从「多加算力」的默认假设，到「错误并非均匀分布」

过去两年，提升 LLM 推理能力最省事的一条路，是把模型做大、把 CoT（chain-of-thought，思维链）拉长。当一个模型开始在输出里写「Let's think step by step」之后的中间步骤，它的多步推理准确率会出现明显跃升，这就是 Wei 等人 2022 年提出的 CoT prompting：prompt 由 ⟨input, chain of thought, output⟩ 三元组组成，模型先产出中间推理链、再产出答案，而且全程不修改任何权重CoT。CoT 定义了本篇所有讨论的默认运行管道：后面我们讲的每一种干预，都是施加在这条已经展开的推理链之上。

但 CoT 只是把「花算力的地方」从预训练挪到了推理阶段。一旦算力变成推理时的一项开销，就出现了一个账本问题：这笔钱该怎么花？

主流的答案有两类。一类是自助一致性（Self-Consistency）：同一条 CoT prompt 不改，把解码从 greedy 换成采样，采出 N 条不同的 reasoning path，再做边际化、选最终答案里最一致的那个Self-Consistency。另一类是加 verifier 或加 search，用另一个模型或树搜索给中间步骤打分。这两类路子共同的形态是：想更准，就多花几遍——多采几条、多搜几层，代价随次数线性上涨。

2025 年的一篇综述把这片战场整理成了四个维度：扩什么（what）、怎么扩（how）、在哪儿扩（where）、扩得怎么样（how well）。其中「怎么扩」这一支又分成 Tuning 与 Inference，Inference 下挂 Stimulation、Verification、Search、Aggregation，而 Stimulation 里有一小簇叫 Decode Strategy，指的是那些通过改写解码过程、让模型自适应地生成更充分样本的方法TTS Survey。

图注：这张四维分类树从 Test-time Scaling 这一个根长出 what / how / where / how well 四支，把当时几乎所有 TTS 技术归类进去。我们要找的位置在 How to Scale → Inference → Stimulation → Decode Strategy，也就是「不改模型、不改 prompt，只改写解码过程」的那一叶。需要说明的是，这张树的时间窗只覆盖到 2025 年 3 月，树里没有 MTI——它只是一张地图，帮我们定位「这类工作站在哪」，不承担本篇的定调。

地图有了，问题也就清楚了：既然所有人都在这条线上比谁采得多、搜得深，那我们来问一个更朴素的问题——这些算力加得均匀吗？

MTI 的出发点就是一个看起来不起眼的统计观察：错误不是均匀铺在整条推理链上的。在 Qwen3-8B-Reasoning 上跑 AIME2024，把回答按对错分组，错误回答的平均 answer entropy（整条回答上各步不确定性的累加）显著高于正确答案，而这个差距并不是「每一步都差一点」堆出来的，而是由少数几个熵特别高的 token 贡献的MTI。

图注：主图是 token entropy 的分布直方图，横轴是每一步的熵、纵轴是落在该熵区间的 token 数量；右上角的 inset 给出「错误回答 vs 正确回答」的平均 answer entropy 对比。它要证明的不是「数值是多少」，而是形状：绝大多数步挤在低熵一侧，少数高熵 token 独自把错误回答的整体不确定性抬了起来。这是该模型在该基准上的结果，不作通用结论使用。

把这句话当真，会推出一个很锋利的结果：如果错误只集中在少数几个位置，那么「每一步都多花算力」就不是唯一的加算力方式。我们可以把算力只投在那几个真正决定走向的位置上。

要不要在这一步就动手，取决于我们能不能找准那几个位置。 而「高熵」这个词目前还只是一个统计标签，它和错误相关，不等于它导致了错误——这个从相关到因果的跨越，就是下一章要解决的事。

哪些 token 值得动手？——熵给出的「关键步」，从相关升级到因果

先把这个「熵」的直觉说清楚。Shannon 熵衡量的是一个分布有多平：模型在某一步输出下一个 token 的概率分布如果非常尖锐，大部分概率压在同一个 token 上，熵就低；如果概率散在好几个候选上、模型自己也在犹豫，熵就高。把它写成式子，第 $t$ 步的 token 熵是

$$H_t = -\sum_i p_i \log p_i$$

其中 $[p_1,\dots,p_V]_t = \mathrm{softmax}(l_t)$ 是这一步的 next-token 分布。所以熵高只有一个意思：模型在这一步纠结。 而纠结是会在链条上传播的——一个错误的中间结论一旦写下，后面每一步都会以它为条件继续推理，局部犹豫因此被放大成整条链的偏移。

把一条长 CoT 上每个位置的熵画出来，会看到一幅很有辨识度的形状：绝大部分位置几乎贴着零，只有零星几处竖起来。这就是 Qwen 团队 2025 年在《Beyond the 80/20 Rule》里命名的 forking token（分叉 token）——推理路径在这些位置发生分叉，对应的词往往是 wait、however、unless、suppose、assume 这类逻辑连接词与假设词；而低熵 token 大多是词缀、代码片段、数学子表达式，它们只是把已经定下的方向写出来Beyond 80/20。

图注：左图把一条长 CoT 序列按 token 位置画成熵分布，大部分位置近乎零、少数位置是 spike，spike 处的词正是 wait / however / unless / suppose 这类分叉词；右图对比「用全部 token 训」与「只用 forking token 训」两种 RLVR 设定在三个尺寸模型上的 AIME 准确率，后者在最大那个尺寸上明显更高。它给出的不只是「高熵 token 和错误有关」，而是「只在这些位置动手反而更好」——这是把相关升级成因果的关键一步。右图只做了 8B / 14B / 32B 三档，不要当作一条通用的尺寸缩放律来读。

右图那个反直觉的结果值得停一下：把 80% 的低熵 token 的梯度直接 mask 掉、只在 20% 的高熵 forking token 上更新策略梯度，模型不但没变差，在 32B 上还涨了——AIME'24 从 55.83 到 63.54，AIME'25 从 45.63 到 56.67。反过来，把这 20% mask 掉、只留低熵 token 的梯度，性能显著下滑。更直接的因果证据来自人为调温实验：把 forking token 的解码温度调低（人为压低它们的熵），准确率显著退化；把非 forking token 的温度调高（强行推高它们的熵），模型开始输出无意义内容；而适度提高 forking token 的温度反而能涨点。换句话说，这些位置的熵不是一个被动反映好坏的读数，动它就是动推理的走向。 需要限定的是，这套因果实验只在 Qwen3 系列模型加 DAPO 这一种 RL 算法上验证过，没有跨模型族或跨 RL 变体。

到这里，解码侧和训练侧出现了一个漂亮的对称。MTI 论文里另一个实验给出了解码侧的同构证据：在 HumanEvalPlus 上逐个 token 检查「被 CFG 改变了 top-1 预测」的位置，几乎全部落在高熵区域；而低熵 token 几乎是 CFG-immune（对引导免疫）的——它们的分布是单峰、尖锐的，你怎么推都推不动它。训练侧限制梯度位置的集合和解码侧限制干预位置的集合，指向的是同一组对象。这个对称值得记住，它说明「只在高熵步动手」不是一个拍脑袋的启发式，而是有两条独立证据支撑的设计。

于是干预终于有了一个明确、可度量的目标集合。接下来的问题就从「动哪里」变成了「怎么动」——而这一步，我们要去别的领域借工具。

怎么在这几个位置动手？——把扩散里的 CFG 搬进解码，并让它几乎不花钱

我们要借的工具叫分类器无关引导（classifier-free guidance，CFG）。它最早出现在扩散模型里，名字里的 classifier-free 是相对上一代做法说的。

在扩散模型里，想让生成结果朝某个类别靠，早期做法是外挂一个分类器，把分类器对噪声图像的输入梯度加进 score estimate 里，把采样往目标类别推。Ho 与 Salimans 2022 年指出这条路有三个麻烦：多了一条要单独训练的管线；那个分类器必须在带噪图上训练，现成的分类器接不上；而且最后采样走的是对抗性的分类器梯度方向，你很难说清 FID/IS 的提升是真的变好、还是攻击了指标。他们的替代方案很干净：不训练分类器，只训练一个网络，让它既能当条件模型 $\epsilon_\theta(z_\lambda, c)$、也能当无条件模型 $\epsilon_\theta(z_\lambda)$——训练时以某个概率 $p_{\text{uncond}}$ 把条件 $c$ 换成空 token 就行，参数量完全不增加CFG。采样时把这个网络跑两遍，再用下面这条式子把两个分数混起来：

$$\tilde{\epsilon}\theta(z\lambda, c) = (1+w),\epsilon_\theta(z_\lambda, c) - w,\epsilon_\theta(z_\lambda)$$

它的直觉可以用一句降噪来打比方：你想从一段混着环境噪声的录音里听清自己说的话，一个可行的办法是拿「噪声底」和「信号加噪声」两条读数相减——把两边的共同成分减掉，只剩被条件放大的那部分。这条式子里 $+\epsilon_\theta(z_\lambda, c)$ 那一支就是「信号加噪声」，$-\epsilon_\theta(z_\lambda)$ 那一支就是被减掉的基线，$w$ 控制的是差值被放大多少。$w=0$ 就是普通的条件采样，$w$ 越大，结果越贴着条件、越远离无条件模型觉得合理的东西。下面的 toy 实验把这个效果画得很直白：

图注：这是三个高斯成分混合的二维密度示意，每个成分代表一个类别。最左边是无引导的边际密度，从左往右引导强度 w 逐级增大，可以看到概率质量越来越集中在对应类别中心、离其他类别越来越远。它给的是几何直觉：引导做的不是「加一个新方向」，而是把条件密度锐化。这张图本身不画条件/无条件两支的箭头，只是效果示意。

把 CFG 搬到自回归 LLM 上，是 Sanchez 等人 2023 年做的迁移LLM-CFG。对应关系异常自然：条件 c 就是 prompt，无条件支就是不带 prompt 继续生成。而且这一步在 decoder-only 的 LLM 上不需要任何训练技巧——扩散模型必须先学会输出无条件分布，而语言模型在有限上下文窗口上训练，把前缀一去掉，无条件分支天然就有了。公式搬到对数概率空间几乎不变形：

$$\log \hat{P}\theta(w_i \mid w{j<i}, c) = \log P_\theta(w_i \mid w_{j<i}) + \gamma \cdot \big(\log P_\theta(w_i \mid w_{j<i}, c) - \log P_\theta(w_i \mid w_{j<i})\big)$$

只是把扩散里的噪声预测换成了 next-token logit。$\gamma=1$ 时退化成普通条件生成；$\gamma>1$ 时条件方向被放大，token 更坚决地离开无条件支；$\gamma$ 太大则多样性受损。

图注：这是论文自己标注为 notional（示意）的二维 latent 投影，水平轴是 $P(\text{text}|\text{prefix})$、垂直轴是 $P(\text{text}|\text{text}, c)$。平面上散布的点代表不同生成方向，红色箭头从浅色基线区域指向右上、箭头尖端标着 prompt 文本「Today in France,」，旁边的 γ increases 表示引导权重越大、条件方向被放大的幅度越大。它要讲的是一件事：γ 放大的就是这个「条件相对基线」的方向向量。这是示意而非真实 logit 分布。

但这条路有一个明确的账单。Sanchez 等人的做法里，每个 token 都要走两遍前向——一遍算带 prompt 的条件分布、一遍算不带 prompt 的无条件分布，推理 FLOP 直接翻倍。原文的表述就是「每 token 两遍前向」，并没有说需要两套 KV cache 或者显存翻倍——「第二份 cache 能不能省掉」是后来 MTI 要处理的问题，不是这篇论文自己的说法。

MTI 的做法，就是把第二遍前向这一笔账几乎抹平。回到前面的目标集合：我们只在高熵 token 上动手。既然只在这些位置动手，无条件分支就不需要真的把整条 prompt 去掉重算一遍——在条件分支的 KV cache 末尾临时拼上「OUTPUT ERROR」这两个 token，就能在需要的那一刻、on-the-fly 地凑出一个语义指向「当前输出是错的」的近似无条件分支，而这份 cache 是和条件分支共用的。为了让引导方向明确，这里其实用的是把无条件支换成负向提示的更一般形式：

$$\log \hat{P}\theta(w_i \mid w{j<i}, c, \bar{c}) = \log P_\theta(w_i \mid w_{j<i}, \bar{c}) + \gamma \cdot \big(\log P_\theta(w_i \mid w_{j<i}, c) - \log P_\theta(w_i \mid w_{j<i}, \bar{c})\big)$$

其中 $\bar{c}$ 就是「OUTPUT ERROR」这两个 token。整条式子读下来，MTI 在做的就是把「带着错误信号的基线」和「带着 prompt 的分布」之差放大，再把结果当成新的分布去采样。

图注：左边是 vanilla CFG：条件 prompt c 与无条件 prompt $\bar{c}$ 各走一条支、各占一份 KV cache，而且每一个 token 都要引导一遍。右边是 MTI：只用一份条件 KV cache，只在 $H_t > \tau$ 的那些 token 上，把「OUTPUT ERROR」拼到这份 cache 的末尾，凑出负向分支。并置这张图要说明的就是「少干预」落在哪两个具体动作上——不重复走前向、不全程引导。图里没有标出 τ 的最优取值，那属于消融实验的内容。

到这一步，成本这件事就说到位了。同一族公式被搬进解码之后，工程上真正贵的那笔，也就是第二支前向，被压到了两个 token。选择性干预之所以在成本上说得通，全靠这一笔。 但新的缺口立刻暴露出来：判断「哪些步该动手」这个动作本身准确吗？阈值卡在哪里？以及，负向提示为什么非得是「OUTPUT ERROR」这句话？

少到什么程度才有效？——τ 卡在哪、ω 有多敏感、为什么负向提示比正向好

先看触发条件。MTI 在每一个解码步监控 $H_t$，只有在 $H_t > \tau$ 时才启用 CFG，其余步走普通解码。这个设计的直接后果是 CFG 使用率被压到很低——在 DeepSeek-R1-7B 上是 21.8%，在 Qwen3-14B 上是 32.8%，也就是大概四分之一到三分之一的 token 会被触发一次额外的 logit 拼接。那么 τ 应该卡在哪儿？

答案是：它卡不出一个最优常数，只能取一个取舍。把 τ 从低到高扫一遍，曲线先升后降。τ 太低时，大量本来已经想对的低熵步也被拉进来干预，等于在模型已经确定的判断上反复推搡，逻辑链被搅乱；τ 太高时，真正需要纠正的高熵步也被放过去了，效果退回不干预。中间那段是收益区。值得注意的是，即使把 τ 压到 0.1 这种「几乎全程干预」的极端值，MTI 在很多模型上仍然优于直接推理（DI）——论文把这一段称为 green zone。但 green zone 不等于「必须取 τ=0.5」，它只是说这条曲线在偏左的一段区间内都还安全。

图注：三联图从三个方向切 MTI 的边界。左图是 τ 曲线，先升后降，说明阈值是取舍而不是一个最优点：太低在低熵 token 上过度干预、太高等于不干预。中图是引导强度 ω，在 1.5 附近取峰，而且 1.0–2.0 整个邻域都很平稳，意味着这个超参不需要精调。右图是负向提示的柱状对比，语义明确的负向提示优于正向提示、也优于无意义 token。横轴的具体数值不要外推到所有模型上。

这三张图里，最该被记住的反而是中间那张：ω 在 1.5 取峰，1.0–2.0 区间不敏感。也就是说，这件事的收益不来自「推得用力」——用力那一维本来就平坦，来自「推在对的位置」。 真正需要调的是 τ，而 τ 的调节本质上是回答「多犹豫才算需要动手」这个问题，很像用 profiler 找热点：你只优化真正花时间的那几行，而不是把整个程序重写一遍；τ 就是「多热才算热点」的门槛，调低会把本来没问题的代码也改坏，调高则热点漏掉。这条类比只用来说明取舍形态，τ 的具体数值仍然是逐模型校准的。

右图那个柱状结果更有意思，也更需要留成一个疑问。三种负向提示的设置比下来是：语义明确的负向提示（OUTPUT ERROR 这类）> 正向提示（OUTPUT CORRECT 这类）> 无意义 token（apple、!!!）。前两个的相对顺序还好理解——一个把分布往「不要说错」的方向推，一个往「说对」的方向推，前者对推理链的纠偏更直接。但无意义 token 也常常能超过直接推理；论文对这一现象只给了「非特定扰动」的初步解释（它们引入的扰动没有具体指向），并未给出完全机制化的说明。我们把它作为开放现象原样留给听众，不替它编一个机制。

为了看清「不做筛选」代价有多大，把视觉侧的对比解码（VCD）拿来当反面对照很合适。VCD 处理的是 LVLM 的物体幻觉：它把原始图像 $v$ 和一张加了高斯噪声的图像 $v'$ 分别送进同一个模型，再用

$$p_{\text{vcd}}(y \mid v, v', x) = \mathrm{softmax}\bigl[(1+\alpha)\operatorname{logit}\theta(y \mid v, x) - \alpha\operatorname{logit}\theta(y \mid v', x)\bigr]$$

合成对比分布，把更依赖 language prior 的幻觉 token 压下去VCD。它和 MTI 是同一族公式：都是用「一支基线 + 一支条件」的线性组合做差，系数形式都长成 $(1+k)\cdot A - k\cdot B$。

图注：图里用一张海滩照片作为原始视觉输入，旁边是同一张图叠加高斯噪声后的版本，两路分别进入同一个 LVLM 得到两条 next-token 分布，再按 (1+α)·logits(原图) − α·logits(加噪图) 合成对比分布。红色高亮的 hallucinated token「Surfboards」正是被这一步压低的对象。它在这里的作用是当反面对照：同样是对比式引导，VCD 每个解码步都在跑两路、始终不筛。

差别就在这两个「始终」上。VCD 没有熵阈值这一步，每个 step 都要跑原始与扭曲两路前向；而扭曲后的视觉输入改变了 prefix 的 representation，KV cache 必须跟着重算，没法像 MTI 在语言侧那样靠拼两个 token 复用——后一条是根据 LVLM 的推理机制推出的工程判断，不是 VCD 论文的原话。把这两条反着看，MTI 的两个「少干预」设计就同时被照亮了：一个是把触发条件调准，一个是把第二支前向消掉。

到这里，方法本身已经完整。剩下的问题换成：这笔账跟已有的四条路线摆在一起，到底划不划算，什么时候划算？

这笔账划不划算？——CoT / 多采样 / 对比解码 / 全程干预的四路对照，以及跨基准上的结果

要算这笔账，先把「算力花在哪」这件事定下来。CoT 的额外算力来自生成长度本身，它不引入重复采样；MTI 是纯 decoding-time 的 plug-in，不改 prompt、不改权重，直接叠在 CoT 路径上——两者在不同维度加算力，所以可以叠加，而不是互相替代CoT。

真正的对照发生在两条都选择「重复」的路线之间。Self-Consistency 把同一条 prompt 完整采 N 次（原文实验默认 N=40），再对答案做多数投票；MTI 不重复整条链，只在单条链上被 τ 选中的那些 token 处做一次 logit 域的引导。

图注：这条流程分三步走：先用 CoT prompt 提问，然后把 greedy decode 换成从 decoder 采样，得到一组互不相同的推理路径，最后把这些路径边际化掉、选出最终答案里最一致的那个。图里画了三条路径只是为了让版面可读，原文实验默认采样数是 40。把它和 MTI 的方法图放在一起看，「广撒网」和「瞄准关键步」这两种设计哲学一眼就能分辨。

两边的账目形态完全不同：Self-Consistency 的开销随采样数 N 线性上涨，多一条链就多一次完整前向；MTI 的开销体现在「被触发的 token 数占总生成 token 数的比例」，也就是那个 21.8%~32.8% 的 CFG 使用率。多采样像同一局游戏不断重开直到碰对，MTI 不重开，只在那个真正决定胜负的分叉回合做一次微操。不过要提醒一句：两者没有在 reasoning model 上的同口径 head-to-head 数字，所以这笔账只能定性对比，不能把两边的涨幅相加或相减。

全程干预这一侧，有一个很干净的反面对照：值级对比（value-level contrast，VC）。它用的也是对比式引导的公式，但它不筛位置、每一步都干预。结果是在多个模型上 VC 反而低于直接推理——AIME2024 上 Qwen3-8B 的 VC 是 73.34% 而 DI 是 73.75%，Qwen3-14B 是 75.42% 对 78.33%，Qwen3-32B 是 72.92% 对 79.58%。干预得多不等于干预得好，全程推搡是会伤 reasoning chain 的。 这条正是「选择性」这个设计的存在理由。

真正开始算总账，看跨基准的结果。最强的证据来自这一组对照：DeepSeek-R1-7B 六个基准平均从 61.70% 提升到 70.98%，涨了 9.28 个百分点，而它的 CFG 使用率只有 21.8%；Qwen3-14B 从 82.33% 到 85.33%，涨 3.00 个百分点，CFG 使用率 32.8%MTI。两行并排看，反常的地方是：最低的 CFG 使用率换来了最大的平均增益，增益和干预比例之间并不成比例。这再一次说明收益来自「推在对的位置」而不是「推得多」。

另一组数字说明的是干预的深度。Ling-mini-2.0 在 AIME2024 上从 60.00% 提到 71.25%（+11.25 个百分点）；而最能说明问题的例子是 GPQA-Diamond 上 DeepSeek-R1-7B 从 29.29% 跳到 51.52%MTI。一个 22 个百分点的跃升，不太可能是「把某一个 token 从第二候选换成第一候选」这种做法能达到的。合理的解释是 MTI 做的是分布的重新排序（distribution reshaping），而不是 top-1 的平移，因此它有能力把整条推理路径从错误的方向上拉回来。这也顺带解释了为什么要用对比式引导而不是简单地调温度——调温度只改尖锐程度、不改排序，救不回一条方向已经走错的链。

把这几组数字收在一句话里：MTI 不是「更好的采样」，它是另一条轴上的加算力方式。它和 CoT、和采样都能叠加，而不是谁取代谁。

但这笔账目前只算了「平均涨多少」和「用多少次」。还有一类问题没被回答：剩下的那些没涨、甚至可能变差的情形在哪里？ 这需要先去看论文自己承认了什么。

少即是多的边界在哪？——未解现象、局限，以及同一条观察在 step 级长什么样

先看一个定性的观察。在 GPQA-Diamond 上，把所有「直接推理错了、MTI 对了」的样本挑出来，对它们的高熵 token 做词云：启用 MTI 之前，这些位置出现的大多是 the、a、so 这类泛词；启用之后，出现更多 however、if、perhaps、alternatively、wait 这类转折与犹疑连接词MTI。论文把这一现象解读为模型放弃了原来的错误先验链、另开了一条推理路径。这是一个漂亮的定性证据，但它是词云，不是受控实验，所以它说明的是「确实在换个说法往下想」，而不是「换成这些词就是涨分的原因」。

真正诚实的部分在消融实验里。前面已经看到，负向提示优于正向提示、也优于无意义 token——但无意义 token 也常常能超过直接推理。论文对这一现象只给了「非特定扰动」的初步解释，并未给出完全机制化的说明。加上前面 τ 的行为，整篇论文其实留下了一批有共性的开放问题：干预什么位置比干预什么内容更关键，而「什么内容」这一维上，似乎连语义都不必严格正确。

再看局限。第一，最优 τ 依模型而变——Qwen3 系列大致在 0.5 附近，Ling-mini-2.0 的最佳值要更小；τ 一变，CFG 使用率也跟着大幅波动（τ=2.0 时低到 0.2%~0.7%，τ=0.1 时升到 28%~50%）。第二，通用的「OUTPUT ERROR」虽然好用，但换成任务定制的负向提示还能再涨一点，也就是说这不是一个已经调到底的常量。第三，「第二支前向可以压到两个 token」这件技巧本身，论文另在 VLM 设置（Qwen3-8B-VL）上做过验证：在 Where2Place / RefSpatial / VaBenchPoint 三个空间理解基准上，CFG 仅激活 3.7%–4.5% 的 token，准确率仍一致提升（61.39%→64.36%、42.45%→44.24%、38.87%→40.86%）。不过「拼两个 token 复用条件 cache」这一具体省算力技巧在文本之外是否同样经济，论文未作进一步分析。

最后，把这条观察放到另一个粒度上看一次。同作者组的姊妹工作 StreamMA 处理的是多智能体推理里的通信协议。传统的 Serial 协议要求上游 agent 把完整答复写完，下游 agent 才能开始；Stream 协议改成了每生成一个推理步就转发，相邻 agent 因此能在时间上重叠流水线执行StreamMA。

图注：左侧 Serial 协议里，三个 agent 的时段一个接一个、互不重叠——上游不说完，下游就不动；右侧 Stream 协议里，上游的输出被拆成若干个推理步，每生成一步就丢给下游的队列，于是下游在上游还在生成时就已经开工，时段出现重叠。这张图只画协议差异，不含任何准确率数字。它在这里的用途是把「变化的东西」指出来：通信单位从完整响应变成了推理步。

它和 MTI 的关系，一句话就能说清：同一观察，不同粒度。 两边都建立在「质量沿某个粒度轴非均匀分布」这个前提上，MTI 找的是 token 熵这条轴，StreamMA 找的是 step 质量这条轴；MTI 改的是生成的 logits，StreamMA 改的是智能体之间的通信时序。而这个判断本身是那篇论文的，不是头一次出现的新想法——它只是这条研究线上第二个落点。

把整篇收在一句话上：算力不必多，要准；不必均匀，要局部；干预不必全程，要关键步。MTI 找到的那条轴是 token 熵，换一个任务、换一种粒度，同样的做法会要求你重新找一遍那根轴。

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：

Less is More: Improving LLM Reasoning with Minimal Test-Time Intervention — arXiv:2510.13940
Classifier-Free Diffusion Guidance — arXiv:2207.12598
Stay on Topic with Classifier-Free Guidance — arXiv:2306.17806
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models — arXiv:2201.11903
Self-Consistency Improves Chain of Thought Reasoning in Language Models — arXiv:2203.11171
Beyond the 80/20 Rule: High-Entropy Minority Tokens Drive Effective Reinforcement Learning for LLM Reasoning — arXiv:2506.01939
Mitigating Object Hallucinations in Large Vision-Language Models through Visual Contrastive Decoding — arXiv:2311.16922
A Survey on Test-Time Scaling in Large Language Models: What, How, Where, and How Well? — arXiv:2503.24235
Streaming Communication in Multi-Agent Reasoning — arXiv:2606.05158