伊利诺伊大学与AWS联合推出SAR方法,破解大模型‘过度思考’顽疾

2026年4月2日,伊利诺伊大学香槟分校(UIUC)与Amazon Web Services(AWS)联合发布SAR(Self-Adaptive Reasoning)方法,首次系统性解决大语言模型在复杂推理任务中普遍存在的‘过度思考’(Over-Reasoning)问题。该技术通过动态神经剪枝与置信度门控机制,在不牺牲准确率前提下,将平均推理长度缩短30%,显著降低计算开销与响应延迟。实测显示,在GSM8K数学推理、HotpotQA多跳问答等基准上,SAR使GPT-5.4与Claude-4的token消耗分别下降28.6%与31.2%,而答案准确率保持±0.3%波动;在AWS Inferentia3芯片上,单次推理功耗降低37%,为边缘侧高精度AI部署扫清关键障碍。

‘过度思考’现象源于当前大模型对不确定性缺乏量化感知,常以冗余Chain-of-Thought(CoT)步骤掩盖知识盲区。SAR创新性引入双通道架构:主推理通道执行常规逻辑链,辅助置信度通道实时评估每步推导的语义熵与事实一致性得分,并据此触发‘早停’(Early Exit)或‘精炼重采样’(Refined Resampling)策略。该方法无需修改模型权重,仅需轻量级Adapter模块(<0.5M参数),兼容所有主流Decoder-only架构。AWS已将其集成至SageMaker JumpStart模型库,开发者可通过一行代码启用。

此项突破对AI可持续发展具有战略意义。据国际能源署(IEA)测算,全球数据中心2025年AI算力相关电力消耗已达460TWh,相当于波兰全年用电量。若SAR技术在Top 100大模型API服务中普及,预计每年可减少碳排放超1200万吨CO2当量。更深远影响在于人机交互范式革新——更短、更确定的响应将提升用户信任度,尤其在医疗问诊、司法辅助等高敏场景。UIUC团队透露,下一代SAR-v2将融合神经符号推理,目标实现‘一步精准推理’,目前已在生物医学文献因果推断任务中达成89.4%单步准确率,较基线提升22个百分点。