Research
研究
我专注于让语言模型在潜空间中推理与行动 —— 把“思考”与“执行”统一为可学习的潜在轨迹，并构建能够自我改进的智能体系统。
Latent Token Execution
Active2026
Latent Token Execution
让模型在潜空间(latent space)中直接执行计算与推理，而非逐 token 解码。探索将“思考”与“执行”统一为可微的潜在轨迹，以降低推理成本并提升组合泛化能力。
Latent ReasoningInferenceArchitecture
Active2026
Self-Improving Agent Systems
研究多智能体如何通过工具使用、记忆与反思实现自我改进。关注规划、信用分配以及长时程任务中的稳定性。
AgentsPlanningMemory
Current Experiments
Exploring2026
Latent Chain-of-Thought
在隐藏状态上展开推理链，对比显式 CoT 在数学与代码任务上的准确率与延迟。
CoTReasoningBenchmark
Draft2026
Token Budget Routing
根据问题难度动态分配 latent 执行步数，构建一个轻量的难度估计器以控制算力预算。
RoutingEfficiencyMoE
Papers
Draft2026
Towards Latent Token Execution in LLMs
形式化潜在 token 执行框架，给出训练目标与一组在推理基准上的初步结果。(撰写中)
PreprintLLM
Ideas
Exploring2026
Differentiable Tool Graphs
把工具调用图变成可微结构，让 agent 端到端学习何时、如何调用工具。
ToolsAgents
Exploring2026
Memory as Latent Cache
将长期记忆压缩为可检索的潜在缓存，在不增加上下文长度的情况下扩展有效记忆。
MemoryRetrieval