更长的思维链碰壁。ThinkRetrieve 在推理中途注入修复

一段时间以来，让推理模型变得更聪明的标准做法是让它思考更久：投入更多的推理时计算，生成更长的思维链，准确率理应随之提升。ThinkRetrieve 是一篇于 2026 年 8 月 11 日发布在 arXiv 上的预印本论文，它恰恰基于相反的观察。论文认为，近期研究表明，顺序式的测试时扩展往往带来收益递减甚至负收益，因为更长的推理轨迹会累积不确定性，放大自身的错误，并偏离最初的问题。

顺序式扩展为何走到尽头

这种失效模式很容易被忽视，因为 token 仍在不断生成。模型写啊写，但推理轨迹已不再追踪问题。早期累积的错误随着链条增长被不断放大，推理逐渐偏离方向，计算账单持续攀升，而准确率却趋于平稳甚至下降。ThinkRetrieve 的回应是：不再把推理轨迹当作一段封闭的独白。

该框架将推理模型与外部已解决问题语料库相结合，每个问题都配有逐步解答。在每一个中间步骤，它从该语料库中检索最相关的示例，并将其直接注入思维轨迹。在思考过程中，模型被展示已经完成的解题步骤，以说明应当如何推理。传统检索用事实支撑答案；ThinkRetrieve 则直接引导推理过程本身。

预印本论文报告了什么

实验覆盖了 1.5B 到 8B 参数规模的五个推理模型，在 GSM-8K、MATH-500、AIME 2025 和 SciQ 上进行了测试。在所有四个测试集上，ThinkRetrieve 相比标准测试时扩展都提升了准确率，而最大的相对提升出现在 AIME 2025 上，达到 60%。

预印本论文一览
提交时间	arXiv，2026 年 8 月 11 日
测试模型	五个推理模型，1.5B 至 8B 参数
基准测试	GSM-8K、MATH-500、AIME 2025、SciQ
基线	标准测试时扩展
核心结果	AIME 2025 上最高 60% 的相对提升

摘要并未说明各基准的具体数字、检索步骤的计算成本，以及示例语料库的来源。60% 这个数字也是作为上限报告的，即最佳提升，而非平均值。这些细节很重要，它们收录在论文全文中，而非摘要里。

同属一个更智能推理之夏

ThinkRetrieve 出现在 2026 年一段拥挤的预印本发布期，这些论文各自从不同角度质疑同一个假设。7 月 28 日提交的 Penelope 将大部分推理计算隐藏在可见 token 之外：它先对较低的解码器前缀评估一次，构建一个以问题为条件的边界记忆，然后通过局部循环对其进行精炼。7 月 22 日的 PoTRE 将推理拆分到四个智能体, , 对抗式精炼智能体、层次化规划智能体、频谱搜索智能体和直接链智能体, , 并用一个任务自适应聚合层来协调它们的输出。同日的另一篇预印本论文将量化后的小型推理模型包裹在一个形如 CUSUM 的统计监控器中，监控推理轨迹是否退化，并在警报触发时将生成回滚到计算出的回退点。

这些论文的机制各不相同，但诊断一致：推理时计算正在无监督的情况下被消耗，解决办法是更智能地分配，而不是投入更大的量。甚至连奖励设计也在被重新审视。在 6 月 24 日的一篇论文中，Qwen 团队认为，对编码智能体而言，验证, , 而非候选生成, , 如今才是更难的问题，因为每个验证器都只是人类意图的代理。

未解之问

ThinkRetrieve 是一篇预印本论文，需要以通常的审慎态度看待。实验运行在 1.5B 到 8B 参数之间的模型上；摘要中没有任何内容承诺在前沿规模上会有同样的表现。而且该框架只在已经存在一个高质量、附带逐步解答的已解决问题语料库时才有效。竞赛数学有这样的语料库。大多数现实世界任务没有，而注入的指导质量也继承了语料库的质量。

对于 60% 这个数字，请抱持对预印本应有的保留态度。方向才是重点。“想得越多就一定越好”这一假设正在被多个方向同时检验，而 ThinkRetrieve 的答案是：模型不必独自推理。