源自奥卡姆剃刀原理的全新测试方法，颠覆传统评测方式，引入推理效率概念——获得单位正确性需要消耗多少Token。

研究发现，许多准确率相近的模型在token消耗上差异巨大，效率差异是重要的区分维度。

AI推理面临十字路口：传统的"一步一步想"(Chain-of-Thought)既慢又贵，而"隐式思维"虽然快但不稳定。

最新研究揭示，LLM在隐式推理时很少考虑中间步骤，可能依赖经验而非严格的逐步推理。

牛津、清华等机构提出的革命性方法，引入物理学中的能量模型，像GPS一样在AI思考过程中实时校准。

让模型在不生成海量文本的情况下，找到能量最低、逻辑最稳的路径，实现卓越的准确性和前所未有的一致性。

展望一种全新的AI形态——不再依赖喋喋不休的语言生成，而是在抽象的数学空间里进行沉默、高效的优化。

这种AI推理的未来方向，与EBM-COT框架中在潜在空间进行推理的理念相符，代表了AI推理的终极进化。