只需几个抽象符号替代思维链，就能将推理成本压缩11倍

2026 年，AI 行业正在经历一场悄然发生的费用危机。

在大多数开发者的印象里，AI 模型的成本在过去几年里一路走低。确实，从 2022 年到 2024 年，前沿模型的推理成本下降了超过千倍。这个趋势让许多团队相信，把 AI 部署进产品只是时间问题。

然而，推理模型的出现打破了这一预期。OpenAI 的 o 系列、Anthropic 的 Claude Extended Thinking、DeepSeek R1——这些模型在生成最终回答之前，会先在内部进行大量“思考”，产生数以千计的中间推理步骤，然后再吐出最终答案。这些中间步骤在账单上有个专门的名字：

。

问题在于，你得为这些思考过程买单，即便你根本看不到它们。

根据行业研究机构在 2026 年初的统计，一个复杂的代码审查任务，如果使用推理模型，费用可能是普通模型的 5 到 10 倍。一次多步骤规划任务，内部思考步骤消耗的 token 数量，有时会超过一万个。有团队测试发现，让 Claude Opus 4.6 和 Grok-4 分别回答同一个问题时，两者给出了完全相同的答案，但 Grok-4 消耗的 token 数量是 Claude 的两倍多，成本差距接近 10 倍。这一切，仅仅因为

。

换句话说，

。

而这种代价，在某种程度上是设计使然。现有的主流推理模型，都依赖一种叫做“

”的机制：让模型像人类一样，用自然语言一步步写出推理过程，然后再给出答案。这种方法行之有效，但用自然语言推理，天然就是冗长的。

就在这个背景下，IBM Research 的一个团队发布了一篇论文。他们提出了一个问题：

• 论文标题：Thinking Without Words: Efficient Latent Reasoning with Abstract Chain-of-Thought
• 论文地址：https://arxiv.org/pdf/2604.22709

抽象推理链：一门人类看不懂的语言

IBM Research 的论文将这一方法命名为

。

核心思路出人意料地简洁：与其让模型用自然语言写下推理过程，不如给它一套全新的“符号词汇表”，让它用这些符号来思考，然后直接生成答案。

这套词汇表里没有任何一个人类能读懂的单词。它由一组特殊的占位符 token 组成，比如 、…… 一直到 ，之后继续用双字母扩展。这些符号对人类来说毫无意义，就像密码一样。但在论文的实验结果中，它们能够替代动辄数百步的自然语言推理链，把推理步骤压缩到几十个符号以内。

如果用一个生活中的类比来理解：这有点像一个经验丰富的厨师，不再需要把每一步操作都大声说出来，而是靠一套只有自己理解的手势和记号，在脑子里飞速完成全部计算，然后直接把菜端上桌。对于外人而言，这个过程是不透明的；但结果，一模一样。

在论文展示的一个例子中，一道数学应用题，标准思维链模型需要走完 8 个自然语言步骤才能得出答案；而 Abstract-CoT 版本，只用了 14 个抽象符号，便得出了完全相同的结论。这两个过程都正确，但后者消耗的推理 token 数量，不足前者的十分之一。

两个挑战：冷启动与“学会一门新语言”

这个想法听起来简单，但实现起来面临两个根本性的难题。

第一个难题是

。这些新符号在模型词汇表里从未出现过，它们的嵌入向量（embedding）是随机初始化的，对模型来说毫无意义。你不能指望一个从未学过某种语言的孩子，突然就能用这种语言思考。

第二个难题是：

IBM 的研究团队设计了一套两阶段训练方案来应对这两个问题。

这个阶段的核心机制，是一种“信息瓶颈”设计。具体来说，训练时，模型会同时看到问题、标准的自然语言推理链（由教师模型提供），以及一段抽象符号序列。但关键在于，最终答案的生成，只被允许“看到”那段抽象符号，而不能直接“看到”自然语言推理链。

这就像是：让一个学生同时拿到完整的解题过程和一段摘要笔记，但考试时只能看笔记作答。久而久之，学生学会了如何把关键信息浓缩进笔记，因为只有笔记够用，才能通过考试。

经过多轮迭代，模型逐渐学会了：如何把推理所需的关键信息，压缩进那些抽象符号里。

热启动阶段结束后，研究团队引入了强化学习（GRPO 算法）来进一步优化抽象符号序列的生成策略。模型被要求：只凭借那些抽象符号（不再有任何自然语言推理链辅助），就直接生成高质量的答案。一个生成式奖励模型负责对输出质量打分，反馈信号驱动模型不断改进它的“符号语言”。

实验结果：省了多少，代价是什么

论文在三个主要基准测试上验证了 Abstract-CoT 的效果：数学推理（MATH-500）、通用指令跟随（AlpacaEval）、以及多跳问答（HotpotQA）。

最核心的数据是这两个：

在 MATH-500 数学推理测试中，以 Qwen3-8B 为基础模型，标准的思维链 + 强化学习方法（SFT+RL）平均每道题生成 1671 个 token，准确率为 92.6%。Abstract-CoT（Warm-up + RL）仅生成

，准确率达到 90.8%。压缩比约为，性能差距仅有 1.8 个百分点。

在 AlpacaEval 通用指令测试中，Abstract-CoT 不仅 token 数量从 496 压缩到 225（约 2.2 倍），

——在生成内容大幅减少的同时，质量反而有所提升。

更难的测试也显示了类似趋势。GPQA-Diamond（研究生级别问答）和 AIME'25（数学竞赛题）的结果表明，即便是高难度推理任务，Abstract-CoT 也能实现 2.7 倍到 7.9 倍的 token 压缩，同时性能几乎与全量思维链持平。

有一个细节值得关注：单独使用“冷启动 RL”（不经过热启动阶段，直接用强化学习训练抽象符号）的效果非常差，在多数设置下甚至不如基线模型。这说明，热启动阶段是不可或缺的——模型必须先学会这套“语言”的基本语义，才能在强化学习阶段进一步优化。

意外发现：抽象符号自发形成了“语言规律”

在实验分析中，研究团队发现了一个他们自己也没有预料到的现象。

经过强化学习训练后，64 个抽象符号的使用频率，

——少数几个符号被高频反复使用，而多数符号使用频率极低。这种分布，与自然语言中的 Zipf 定律（自然语言词频分布的基本规律）高度吻合。

具体而言，一个叫做 的符号，使用频率远超其他所有符号，成了这套“语言”中类似“的”或“是”一样的高频词。另一些符号，则像生僻字一样，只在特定情境下出现。

这意味着什么？研究者认为，这是模型自发学习出了某种“概念复用”机制。频繁出现的符号，可能对应着跨任务普遍需要的推理步骤（比如“初始化变量”或“验证边界条件”）；稀有符号，则可能对应着特定领域的罕见推理模式。

当然，目前还没有办法直接“解读”这些符号的具体语义。这套语言，对人类来说仍然是不透明的。

局限与展望

Abstract-CoT 目前仍有明显的局限性。最直接的一点是：这套抽象推理过程对人类完全不可解读，这意味着在需要可审计性的场景（比如医疗、法律、金融决策辅助）中，它的适用性会受到限制。

此外，这套方法依赖现有的自然语言思维链数据来完成热启动训练。这意味着，Abstract-CoT 目前仍然是“寄生”在语言推理之上的——没有语言推理的先验知识，纯抽象符号的冷启动训练几乎无法奏效。这在某种程度上说明，AI 在“学会不说话”之前，首先必须“学会说话”。

研究团队也在论文中提出了若干未来方向，包括：动态调整抽象符号序列长度（根据问题难度分配不同长度的“思考预算”）、以及构建分层符号结构（让部分符号代表可复用的推理子程序）。

最值得关注的，或许是它为“

”打开的一扇新窗口。抽象符号序列，比绵延数千 token 的自然语言推理链，更容易被结构化地分析。研究者认为，这为“思维链可监控性”研究提供了新的可能性。未来或许能够在不读懂语义的前提下，通过分析符号模式来判断模型是否在“正常思考”。

AI 正在学着“少说废话”

过去两年，AI 推理能力的提升，很大程度上是靠“让模型说更多话”实现的——更长的思考链、更多的中间步骤、更详尽的自我验证。这条路走到 2026 年，正在遭遇越来越明显的成本瓶颈。

IBM Research 这篇论文提出的问题，其实是在挑战一个基本假设：

他们的实验结果表明，答案可能是否定的。一套由 64 个无意义符号组成的“哑语”，在数学推理、通用问答、多跳检索等多个任务上，都能以十分之一的 token 成本，复现出接近自然语言推理链的性能。

这不是碘伏性的革命，也并非没有代价。但它至少说明一点：在 AI 推理的效率之路上，或许还有一条我们此前没有认真探索过的方向：让模型学会“闭嘴思考”。