深度分析
量化推理冗餘：大型語言模型在長度無關獎勵下的過度思考分析
本報導改寫自 arXiv 研究，針對具推理能力的大型語言模型（LLM）揭示一個普遍現象：模型在解題時產生大量可削減的「尾端思考」。作者提出以「逐步截斷前綴」的實驗定義，把模型自身作為判定器：從一個正確的長序列中，逐步保留前 k 個段落並強制模型立即輸出答案，找出最小能保證正確的 k 值，進而定義步級與字級冗餘比例。
深度分析
本報導改寫自 arXiv 研究，針對具推理能力的大型語言模型（LLM）揭示一個普遍現象：模型在解題時產生大量可削減的「尾端思考」。作者提出以「逐步截斷前綴」的實驗定義，把模型自身作為判定器：從一個正確的長序列中，逐步保留前 k 個段落並強制模型立即輸出答案，找出最小能保證正確的 k 值，進而定義步級與字級冗餘比例。
深度分析
本研究以簡化的序列選擇模型，檢視演算法決策在短期與長期對群體公平與效用的影響。作者提出短期與長期的群體公平度定義，並以「公平成本（Price of Fairness, PoF）」衡量為公平而放棄效用的代價。理論結果指出：短期內，強制靜態公平約束可能導致高昂的效用損失，且在群體分布相近時仍可出現大幅 PoF；