超越语言的推理：潜在思维链推理的综合综述

大型语言模型（Large Language Models，LLMs）通过思维链（Chain-of-Thought，CoT）提示在各类复杂推理任务中表现出色。然而，传统 CoT 依赖于用自然语言显式书写的推理步骤，既降低了效率，也限制了其在抽象推理场景下的适用性。为此，研究者开始关注“潜在思维链”推理（latent CoT reasoning）：让推理在潜在空间中进行。通过将推理过程与语言解耦，潜在推理能够生成更丰富的认知表征，并实现更灵活、更快速的推理。 围绕这一新兴方向，学界在训练方法、结构创新与内部推理机制等方面展开了多元探索。本文对该推理范式进行了系统综述与分析。首先，我们从四个维度提出统一的分类框架：逐 token 策略、内部机制、分析方法与应用场景。随后，对代表性方法进行深入讨论与对比分析，总结其设计模式、优势及尚待解决的挑战。我们期望为推动 LLM 推理领域的这一新方向提供结构化的理论与实践基础。

1 引言

“凡不能言说之事，当保持沉默。”——路德维希·维特根斯坦 大型语言模型（Large Language Models，LLMs）借助思维链（Chain-of-Thought，CoT）推理，在复杂推理任务中展现了卓越能力（Guo 等，2025；OpenAI，2025；Qwen，2025；Wei 等，2022；Chen 等，2025b）。CoT 通过引导模型以自然语言逐步推理，不仅提升了可解释性，还常常带来更优的任务表现（Kojima 等，2022；Chu 等，2024）。 然而，显式 CoT 推理受限于必须用自然语言记录每一步推理，导致两大问题： 1. 计算效率低下——并非所有生成的 token 都携带有用信息（Lin 等，2025b；Feng 等，2025；Qu 等，2025；Sui 等，2025；Wang 等，2025a；Liu 等，2025）； 1. 思维表达受限——人类认知常常超越语言，可包含抽象洞见、直觉跃迁或高度组合式思考，这些内容难以完全或准确地口头化（Wittgenstein，1922；Pinker，1994）。正如 Hao 等（2024）指出，强行将每一步都显式化不仅困难，还对推理本身造成不自然的束缚。

上述局限促使研究者转向潜在思维链推理（Latent Chain-of-Thought，latent CoT）。如图 1 所示，模型不再依赖语言 token，而是在潜在空间中进行推理，为类思维过程提供了更抽象、更高效的媒介。这种“去语言化”推理可带来更丰富的思维表征、通过压缩计算实现更快的推理速度，并对非语言认知模式具备更大灵活性（Lindsey 等，2025）。然而，潜在 CoT 也引发关键挑战： * 不可监督性：内部推理发生在难以直接解释的潜在空间内（Lindsey 等，2025）； * 评估缺口：缺乏衡量深层潜在推理与输入-输出捷径的明确指标（Ameisen 等，2025）； * 对齐风险：无法检查或约束潜在轨迹，使伦理控制更加复杂（Xu 等，2025b；Ruan 等，2025）。

尽管存在未解难题，潜在推理研究发展迅速且碎片化，亟需研究社区对其进行清晰、系统的梳理。为此，我们提出首个潜在思维链推理的全面综述，贡献如下： 1. 系统化分类：提出潜在 CoT 研究的结构化分类框架，将现有工作划分为四大方向，并在各方向内部对代表性研究进行系统梳理，阐明其方法假设与创新（见图 2）。 1. 深入分析：基于该分类，对各类别代表性工作进行综合分析，比较其训练策略、设计范式、监督信号与效率权衡。 1. 挑战识别与前沿展望：总结潜在 CoT 领域的关键开放问题，并展望未来值得关注的研究方向。

我们期望整合潜在推理碎片化的研究现状，为该新兴方向的进一步发展奠定结构化的理论与实践基础。

本文对大型语言模型中的潜在思维链推理（latent CoT）进行了全面综述。首先，我们梳理方法层面的最新进展，主要分为两大类：逐 token 策略（§3），涵盖离散 token（§3.1）与连续 token（§3.2）；以及内部机制（§4），进一步细分为结构机制与表征机制。除设计机制外，我们还回顾了关于潜在推理分析与可解释性的持续研究进展（§5）。最后，本文讨论潜在 CoT 在实际场景中的应用（§6），并总结其所面临的挑战与未来研究方向（§7）。