大型语言模型推理前沿综述：推理扩展、学习推理与自主智能系统

推理是一种基础的认知过程，支持逻辑推导、问题求解和决策制定。随着大型语言模型（LLMs）的快速发展，推理已成为区别于传统模型（如简单聊天机器人）的关键能力，也是先进 AI 系统的重要标志之一。 在本综述中，我们从两个正交维度对现有方法进行了分类：

推理阶段（Regimes）：定义推理是在何种阶段实现的——推理时刻（inference time）或通过专门训练获得；

系统架构（Architectures）：定义参与推理过程的组成模块，区分独立式 LLM 与包含外部工具的自主型复合系统（agentic compound systems），以及多智能体协作系统（multi-agent collaborations）。

在每个维度下，我们又从两个关键视角进行分析：

输入层面（Input level）：聚焦于构建高质量提示（prompts）的技术，用以引导模型进行有效推理；

输出层面（Output level）：关注如何通过多样化候选输出的精炼过程提升推理质量。

这种分类方法为理解 LLM 推理不断演进的格局提供了系统化视角，重点突出了几大前沿趋势，例如：

从**推理扩展（Inference Scaling）向学习推理（Learning to Reason）**的转变（例如 DeepSeek-R1）；

从传统模型向**自主智能工作流（Agentic Workflows）**的过渡（例如 OpenAI Deep Research、Manus Agent）。

此外，我们还涵盖了广泛的学习算法，包括从监督微调到强化学习（如 PPO、GRPO），以及“推理器（reasoners）”与“验证器（verifiers）”的联合训练机制。 我们进一步探讨了多种 agentic 工作流的关键设计，包括经典范式（如“生成器-评估器”框架、LLM 辩论机制）和最新技术创新。最后，我们指出了正在兴起的趋势（例如面向特定领域的推理系统）以及尚未解决的挑战（如推理评估方法和数据质量问题）。 本综述旨在为 AI 研究者与开发者提供一个关于 LLM 推理的全面基础，推动构建更具智能性、可靠性与推理能力的下一代人工智能系统。

1 引言

推理是一种核心认知过程，涉及分析证据、构建论证并应用逻辑以形成结论或做出合理判断。它在众多智力活动中至关重要，例如决策制定、问题求解和批判性思维。对推理的研究跨越多个学科领域——哲学（Passmore, 1961）、心理学（Wason & Johnson-Laird, 1972）和计算机科学（Huth & Ryan, 2004），为我们理解人类如何解释信息、评估选项以及通过逻辑得出可靠结论提供了深刻见解。 近年来，大型语言模型（LLMs）在推理能力上展现出诸多新兴能力，如上下文学习（Dong 等，2024）与角色扮演（Shanahan 等，2023b），而推理已成为其最关键的能力之一。如图1所示，该研究领域迅速获得关注，通常被称为“LLM 推理”或“推理语言模型（Reasoning Language Models, RLM）”（Besta 等，2025）。这种关注的增加是可以理解的，因为推理能力：

具有挑战性：需要超越 LLMs 基于 token 的自回归生成方式，进行多步处理；

具有基础性：推理是智能的核心，尤其在规划和战略决策中； 极具前景：近期 LLMs 的进展为其发展指明了方向。

因此，推理被广泛视为迈向通用人工智能（AGI）的重要前提，远超当前以执行指令为核心的传统 AI 系统（Duenas & Ruiz, 2024）。 推理要求 LLMs 不仅仅是从问题直接生成答案，更需要产生思维过程（显性或隐性），形式为“问题 → 推理步骤 → 答案”。已有研究表明，仅仅通过扩展预训练规模并不能有效提升推理能力（Snell 等，2025；OpenAI，2025）。一种流行的替代方法是思维链（Chain-of-Thought, CoT）提示（Wei 等，2022b）：通过修改提示词（如“让我们一步步思考”）或提供具体范例，使模型在无需额外训练的情况下，于测试时就能展现出分步推理过程。该方法已被证明显著提高了 LLMs 的推理准确性。 基于此，我们认为有效的 LLM 推理能力取决于两个关键因素： * 推理发生的方式与阶段

参与推理过程的系统架构

因此，我们将现有研究分为两个正交维度：

推理机制（Regime）：推理是在推理时刻（inference-time scaling）实现，还是通过训练进行学习（learning to reason）；

系统架构（Architecture）：推理是在单一的 LLM 内部完成，还是在与外部工具互动的“自主智能系统”中完成。

这两个维度彼此独立：同一架构可适配不同机制，反之亦然。这种交叉视角能够系统地梳理当前 LLM 推理方法，概括研究趋势（如从“推理扩展”向“学习推理”的转变、从单体模型到自主系统的演进）。值得注意的是，已有的综述大多只关注了这两个维度中的某一个，如“推理扩展”与“单体 LLM”，而较少同时考虑二者（详见后文比较）。 通过引入这种分类框架，我们希望为读者提供一个清晰的结构化视角，从而全面理解 LLM 推理领域，并为后续研究打下坚实基础。

1.1 推理机制（Reasoning Regimes）

推理扩展（Inference Scaling）： CoT 提示展示了在推理时刻（test-time）扩展推理能力的潜力。已有研究表明，在推理阶段优化计算资源（如设计提示和工作流）比扩大模型参数更有效（Snell 等，2024），因为它增强了模型的泛化能力。 由此衍生出一类新方法：推理时扩展技术。这些方法在生成答案前允许额外的推理步骤，而不是更新模型参数。其核心理念是：通过选择更优的推理路径来提升推理质量。 相关提示方法（Paranjape 等，2021；Sanh 等，2022；Mishra 等，2022）通过结构化提示增强推理能力。此外，推理扩展还依赖于搜索与规划策略（Dua 等，2022；Zhou 等，2023a；Khot 等，2023；Suzgun & Kalai，2024a）。但搜索策略的主要挑战之一在于候选解的评估困难——即使对人类而言也不易。现有评估方法可分为两类： * 结果奖励模型（Outcome Reward Models, ORMs）：评估最终输出是否正确； * 过程奖励模型（Process Reward Models, PRMs）：评估中间推理过程是否合理。

一个里程碑式成果是 OpenAI 的 o1（2024年9月发布）（OpenAI 等，2024），其在数学、编程和科学问题上展示了推理扩展的强大能力： “我们发现，随着强化学习训练量（训练计算）与推理时间（测试计算）的增加，o1 的表现持续提升。这种方法的扩展规律与传统的 LLM 预训练截然不同，我们正在持续探索其潜力。” ——OpenAI o1 发布博客 学习推理（Learning-to-Reason）： 另一种策略是通过训练显式增强推理能力。这减少了对昂贵的测试时计算的依赖。然而，这一机制的主要挑战是：缺乏高质量的带注释推理轨迹数据，因为人工标注代价极高。 为此，研究者们探索了自动生成推理路径的方法，并发展了多种训练策略，如： * 长思维链的监督微调（Muennighoff 等，2025）； * 偏好学习（如 DPO）：通过人类偏好学习推理路径（Rafailov 等，2023）； * 强化学习方法（如 GRPO）：无需人工标注，自动习得复杂推理行为（Shao 等，2024）。

最具代表性的成果之一是 DeepSeek-R1（2025年1月发布），该模型在资源消耗显著低于 OpenAI o1 的情况下实现了可比性能。其“自我演化”现象尤为突出： “我们观察到，随着推理时间的增加，模型自然展现出一系列复杂行为，如‘反思’——即回顾并修正之前的推理步骤，以及探索替代性问题解决策略。这些行为并非显式编程实现，而是模型在强化学习环境中交互过程中自发涌现的。” ——DeepSeek-R1 “顿悟时刻”

1.2 推理系统架构（Reasoning System Architecture）

独立 LLM 与自主系统（Standalone LLM and Agentic Systems）

在“机制”维度之外，研究者还从系统架构角度探讨了 LLM 推理的拓展路径：即从传统的“下一词预测”模型，发展为具备交互性与自主性的agentic 系统，以实现更复杂的推理与决策能力。这类系统不仅面临推理扩展与学习推理的挑战，还引入了系统层面的复杂性，如：设计工作流、协调潜在冲突的动作等。 单智能体与多智能体系统（Single-Agent and Multi-Agent Systems）

为了区分“agentic 系统”与“独立 LLM”，我们采用 Kapoor 等人（2024）提出的观点，将智能体行为视为一个连续体。我们将其进一步划分为两类： * 单智能体系统：单一 LLM 与其环境中的工具进行交互，以增强其推理、行为与感知能力。 这些工具包括： 一些具有代表性的系统包括： 它们展示了智能体如何与互联网交互以提升推理性能，执行信息检索、计算任务并整合多源数据： “Deep Research 可自主发现、推理并整合网络中的洞见。为实现这一目标，它在多个需要使用浏览器与 Python 工具的真实任务上进行了训练…… 虽然 o1 在编程、数学等技术领域展现了出色能力，但现实中的许多挑战更依赖广泛的上下文与多源信息获取。” ——OpenAI Deep Research 发布博客

Grok 3 Deep Search（2025年2月）

OpenAI Deep Research（2025年2月）

外部知识库（Hammane 等，2024；Sun 等，2023）、 * 验证器（Wan 等，2024c；Guan 等，2025） * 实用型应用，如代码解释器、日历、地图等（Yu 等，2023b；Lu 等，2024a）。 通过这些工具，LLM 可以迭代式地优化自身的决策与问题求解过程。 * 多智能体系统：不仅包括智能体与环境的交互，还允许多个智能体之间的通信与协作。 每个智能体承担特定角色，并通过消息交换完成任务。 关键挑战包括： 一个突出案例是多智能体系统产品 Manus，展示了此类架构在真实应用中的强大潜力。

设计高效的通信协议（如协同式 Chen 等，2023c；对抗式 Liang 等，2023b）； * 协调动作，达成对最终输出结果的共识。

---

1.3 统一视角（Unified Perspectives）

尽管“推理扩展（inference scaling）”与“学习推理（learning to reason）”采用了不同方法，但它们本质上是互补且可统一的： * 推理扩展专注于选出最优推理路径； * 学习推理则利用“好路径”和“坏路径”作为训练数据，以强化推理能力。

我们从两个关键视角统一这两类方法： 1. 输入视角（Input Level）： 修改或增强提示，以引导模型朝着期望的推理方向前进。 1. 输出视角（Output Level）： 模型生成多个候选输出，再进行评估、排序或精炼。

这种框架揭示出：许多推理扩展技术（如提示修改或路径搜索）也可用于生成用于学习的推理轨迹。反过来，学习到的推理模型也可受益于测试时的推理扩展策略，这激发了“面向推理扩展的学习推理方法”的研究（见第5.4节）。 这一统一视角同样适用于不同架构： * 对于独立式 LLM，我们继续采用“输入/输出”的范式； * 对于单智能体系统：

输入被视为“感知”（perception）； * 输出则为“行动”（action）； * 对于多智能体系统：

输入是“通信”（communication）； * 输出是“协调行动”（coordination）。

这种类比为不同机制与架构之间建立了统一认知框架，提供了可系统化与可泛化的 LLM 推理分析工具（详见图2）。

---

1.4 本综述的目标与结构（Goal and Structure of the Survey）

本综述旨在提供一个系统全面的视角，梳理自思维链（CoT）提出以来，LLM 推理研究中的关键算法细节与代表性成果，覆盖机制维度与架构维度。 随着 2022 年 CoT 的提出（见图1），相关研究显著加速，本文也正是基于这一趋势，对从机制、架构到学习算法等多个维度的最新进展进行总结。 图2 展示了本综述的总体分类框架，两大维度下分别包含两个关键视角： * 输入/感知/通信（input / perception / communication）： 包括提示构造、环境感知信息的整合，以及智能体间的通信协议设计； * 输出/行动/协调（output / action / coordination）： 涉及输出整合、行为优化，以及跨智能体协调动作生成。

图3 描绘了本综述的整体结构。我们将从第2节开始介绍背景内容，包括术语定义、组件、机制与架构。之后依次展开： * 第3节：推理扩展； * 第4节：推理器与验证器的学习算法； * 第5节：学习推理；

三类架构在其中均被覆盖：独立 LLM、单智能体、与多智能体系统； * 第6节：总结与未来挑战。

---

1.5 与已有综述的比较（Comparison to Related Surveys）

LLM 推理长期以来被视为 AI 研究中的基础性难题。已有综述的核心关注点包括： * 非形式逻辑推理：Huang & Chang（2023）系统梳理了 LLM 代理系统之前的推理演化； * 提示工程：Qiao 等（2023b）专注于提示技巧对推理性能的提升； * 自然语言推理的形式定义与分类：Yu 等（2024a）强调其哲学基础与现实应用之间的联系。

在技术路径上： * Dong 等（2024）对**上下文学习（ICL）**进行了全面回顾； * Zhou 等（2024b）从理论与实证角度剖析 ICL； * Welleck 等（2024）聚焦于三类生成算法：token 级、元生成与高效生成。

随着 RLMs（如 OpenAI 的 o1 与 DeepSeek 的 R1）的发布，“学习推理”逐渐成为主流方向： * Zeng 等（2024）、Xu 等（2025c）全面总结了此类方法； * Liu 等（2025a）专门探讨了形式逻辑推理； * Yang 等（2024d）强调数学推理的自动化、可验证性与挑战； * Pezeshkpour 等（2024a）探讨了多智能体系统中的推理定义与结构。

Besta 等（2025）提出了模块化的 RLM 框架，覆盖推理结构、策略、基准与学习算法，但未涉及 agentic 与多智能体系统。 此外，尽管已有众多关于 agent 系统的综述（Xi 等，2023；Kapoor 等，2024），但很少专注于这些系统中的推理机制。 因此，本综述将重点聚焦以下两大方向： 1. 推理机制演化：从“推理扩展”到“学习推理”； 1. 系统架构演进：从“独立 LLM”到“多智能体系统”。

在此框架下，我们统一讨论输入/输出视角下的核心技术，明确构建推理系统时应定制与设计的关键组件，并比较多种最新学习算法（如 RL），深入分析精炼器（refiners）与验证器（verifiers）的作用。 我们认为本综述恰逢其时，可为 AI 研究者提供最新的洞察，未来有望延伸至更广泛的研究维度，例如人机协作模式（Liang 等，2024）与自动化工作流设计（Hu 等，2025；Zhang 等，2024c；Zhou 等，2025）。