新智元报道
新智元报道
如何让LLM变熟练？为系统验证「熟练加速效应」，作者提出一个统一框架，构造并量化三类记忆机制下的「使用经验」。该框架由两部分组成，一是推理时动态计算资源分配，二是记忆机制。对于动态计算资源分配，该文章系统性将多种已有test-time scaling方法扩展成动态计算资源分配，从而允许LLM在熟练的问题上分配更少的计算资源。对于记忆机制，该框架引入记忆机制，从而实现通过过往经验加速当前推理。在多轮使用中，大模型是否能像人类一样「从经验中变快」？是否存在一种方法，能系统性地提升效率，而非单纯堆算力？
研究亮点1：用经验节省算力在任务重复或相似的推理过程中，研究者发现LLM通过利用以往经验（包括 memory cache、in-context memory 等），可以实现减少高达56%的推理预算，保持甚至提升准确率。这意味着模型在处理「熟悉」的任务时能少走很多弯路，不仅答得准，还答得快。研究亮点2：系统性大规模实验为了验证普适性，研究者考察了：多种test-time scaling方法，包括Self-Refine、Best-of-N、Tree-of-Thoughts和当前最新的Long Chain-of-Thought（o1式思考）多种记忆，包括监督学习（Supervised Fine-tuning）、检索过去经历、三种自我反思（Reflection）多种问题相似度，包括LLM在1）完全相同、2）意思一样仅表述不同、3）题目一样，仅换数字、4）不同题目但需要相同知识回答。不同机制均表现出显著的推理加速，展示了这一现象的广泛性。
实验结果在「重复问答」、「分步推理」等任务中，越是「重复」，模型推理越快，效果越好。而且，这种趋势随着经验积累更加明显。实验结果带来了以下八大关键发现：发现一：LLM真的可以「越用越快」！实验结果表明，在配备适当记忆机制和计算预算调控策略的前提下，LLM在处理重复或相似任务时，平均可节省高达56%的推理开销，且这一行为在80组实验设置中有64组都出现了显著的加速现象，覆盖率高达80%，验证了「经验式加速」具有普适性。发现二：越快≠越差，反而更准！令人惊喜的是，推理成本的下降不仅没有牺牲准确率，反而普遍带来了准确率的提升。实验测得推理成本与准确率提升之间的Pearson相关系数为 -0.41（p=0.0002），这表明「更快」也意味着「更稳」「更准」。发现三：相似度越高，提速越明显研究设计了4个相似度等级，从完全重复（S1）到结构变化大（S4）。结果发现，S1和S2类问题下的加速最显著（分别节省16.0%和15.4%计算），而S4问题由于结构不同、记忆不具备直接迁移性，加速效果最弱。发现四：问题相似度低时，记忆机制可能反噬当问题间差异过大时，记忆机制可能误导模型走错方向，导致推理成本反升、准确率反降。这种现象在部分S4设置中显著，提示我们记忆并非越多越好，而应「选得准、用得巧」。发现五：情节记忆 > 反思记忆，更能加速推理在不同记忆机制对比中，情节式记忆（如SFT和In-Context）在推理加速上表现更佳。例如In-Context平均节省27.4%计算，而反思类记忆仅为3.6%~8.8%。这与心理学研究一致：人类在形成熟练技能时，最初依赖的是具体实例的情节记忆。发现六：In-Context比SFT更高效在低样本（1~3轮）场景下，In-Context学习相比SFT更具泛化能力、更少过拟合，尤其在本研究的推理速度上，In-Context 更快、更稳、更准，展现了非参数记忆的强大即时适应力。发现七：文本记忆易「触顶」，参数记忆可持续提速反思类与In-Context等文本记忆方法存在上下文窗口的「瓶颈」，在加入3个案例后效果逐渐饱和；相比之下，SFT通过权重更新记忆内容，不受窗口限制，推理速度随经验持续提升。发现八：越「泛化」的反思，提速越明显三种反思机制中，Reflect-Update表现最佳。原因在于它能持续总结抽象规则，而不是堆积具体数字或案例。这种「泛化性强」的反思更容易跨任务迁移、辅助加速，未来设计更好反思机制时值得关注。
让LLM拥有「记忆力」和「熟练度」
这项研究提出了一种值得重视的新范式：推理效率不只是堆硬件，也能靠「学习历史」提升。在客服、搜索、问诊等反复场景中，部署「记忆型LLM」将带来：更低的响应延迟、更少的算力消耗、更强的适应性和个性化。这项研究不仅补足了现有推理加速研究的空白，更为构建「具备人类熟练性」的AI模型提供了新思路。
文章原文
