MLNLP社区是国内外知名的机器学习与自然语言处理社区，受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。

社区的愿景是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流和进步，特别是初学者同学们的进步。

来源 | 深度学习自然语言处理

如今的大模型（如DeepSeek-R1）在解数学题或逻辑推理时，明明答案对了，还要反复推演十几步，生成超长的思考链。这不仅浪费算力，用户看着也头疼。

论文：ConCISE: Confidence-guided Compression in Step-by-step Efficient Reasoning
链接：https://arxiv.org/pdf/2505.04881

现有方法要么“事后修剪”（可能破坏逻辑连贯性），要么靠随机采样选最短答案（效果不稳定），始终治标不治本。

两大元凶：信心不足与拖延症

论文发现，模型“啰嗦”背后有两大心理问题：

信心不足（Confidence Deficit）
模型像“纠结症患者”，明明算对了，却因自我怀疑重新检查。比如解方程时，明明已得出x=3，还要反复验证：“等等，我是不是哪里漏了？”
拖延停不下来（Termination Delay）
模型像“强迫症患者”，答案正确后还硬要加戏。比如已经写出最终答案：5，又补充：“或者换种方法再算一遍……”

ConCISE：两招终结冗余推理

清华团队提出的ConCISE框架，用两招根治上述问题：

在模型犹豫时，插入信心提示语，比如：“之前的步骤没问题，继续！”相当于给AI“打鸡血”，阻止它无意义纠结。

当模型生成答案后，用轻量级信心检测器实时监控：

在GSM8K、数学竞赛题等四大基准测试中，ConCISE表现惊艳：

更厉害的是，ConCISE优化后的模型通用性极强，不仅能解数学题，连知识问答（GPQA）等陌生任务也表现稳定，彻底告别“过度思考”。

当然，研究还有改进空间，比如未压缩单一步骤内的冗余内容，但这一步已让模型推理效率迈入新阶段。

（文：机器学习算法与自然语言处理）