SLAT: Rifinitura Adattiva a Livello di Segmento per un Ragionamento CoT Efficiente

È stato proposto un nuovo framework di apprendimento per rinforzo chiamato SLAT (Segment-Level Adaptive Trimming) per ridurre il carico computazionale nel ragionamento a catena di pensiero. I grandi modelli di ragionamento spesso generano passaggi ridondanti, un fenomeno noto come overthinking, che aumenta i costi senza migliorare l'accuratezza. I metodi esistenti applicano penalità uniformi sulla lunghezza che possono sopprimere ragionamenti utili. SLAT identifica l'inefficienza in segmenti ad alta probabilità con bassa utilità marginale e li sopprime selettivamente. Il framework si basa su una caratterizzazione teorica della subottimalità dei segmenti sotto un compromesso correttezza-lunghezza. I risultati empirici su benchmark standard mostrano che SLAT riduce la lunghezza del ragionamento mantenendo o migliorando l'accuratezza. La ricerca è dettagliata nell'articolo arXiv 2605.30832.