深度分析
AI 策略推理的「支架」效應：GPT-5-mini 與 GPT-4.1-mini 架構對比分析
本研究探討結構化推理干預對 AI 經濟策略推理的影響。研究團隊利用 Hotelling 線性城市模型，對比 GPT-4.1-mini 與 GPT-5-mini 在五種條件下的表現。結果發現推理支架的效果取決於模型架構：承諾協議提升標準模型但損害推理模型，而原則分離則能優化推理模型並縮小執行差距。這顯示針對不同 AI 架構設計差異化推理支架，才能有效提升複雜策略推理能力。
深度分析
本研究探討結構化推理干預對 AI 經濟策略推理的影響。研究團隊利用 Hotelling 線性城市模型，對比 GPT-4.1-mini 與 GPT-5-mini 在五種條件下的表現。結果發現推理支架的效果取決於模型架構：承諾協議提升標準模型但損害推理模型，而原則分離則能優化推理模型並縮小執行差距。這顯示針對不同 AI 架構設計差異化推理支架，才能有效提升複雜策略推理能力。
深度分析
大型語言模型在複雜推理時常因隨機生成與知識脫節而表現不佳。研究提出 HCoT 框架，利用啟發式分類模型將推理空間結構化，提供可重用的抽象解答。實驗顯示其在多項複雜任務上超越既有方法，提升準確度並降低 token 用量，對 AI 推理效能具正向衝擊。