研究提出混合推理代理架構，結合潛空間思考與文字互動以提升效率

研究團隊發表 Hybrid Reasoning Agents (HybridAgents)，讓大型語言模型代理在生成過程中動態切換於潛空間推理與文字互動之間。測試顯示此方法在多個基準上平均提升 10.4% 效能，同時減少 35.5% 至 54.7% 的 Token 使用量並加速推論速度。

AI 新聞雷達編輯團隊·本站收錄：2026/10/20 03:41（台灣時間）·閱讀約 2 分鐘

論文首次投稿：2026/10/14 01:59（台灣時間）

本站收錄時間為新聞雷達完成整理的時間，不代表事件發生時間。原文日期僅在取得明確來源證據時顯示；未標示者請參閱下方原始來源。

30 秒掌握

HybridAgents 透過 HybridLink 模組實現文字與潛空間模式的無縫切換，並利用連續工作記憶保持上下文完整性。

該架構解決了純潛空間推理缺乏工具存取能力與透明度問題，同時保留代理執行外部任務的能力。

在涵蓋數學、科學及搜尋等領域的 11 個基準測試中，HybridAgents 相較於前沿 LLM 代理框架展現顯著的成本與速度優勢。

社群回饋指出，目前發布的量化模型版本（如 GGUF IQ4_XS）在處理簡單問題時可能出現思考迴圈無法終止的情況。

架構設計：動態切換潛空間與文字模式

現代 LLM 代理主要透過文字進行推理與互動，而潛空間推理雖為高效的內部媒介，卻缺乏原生的工具存取能力與推理透明度。HybridAgents 旨在橋接這兩種方向，允許代理在統一的生成過程中動態導航於潛空間推理與基於文字的互動之間。

架構上，輕量級的 HybridLink 模組負責實現文字與潛空間模式之間的無縫轉換。同時，代理的連續工作記憶機制確保在多輪對話中保持無損的混合上下文，使潛空間思考內容可直接被檢視，並保留整合工具的代理能力。

研究團隊開發了專門針對混合推理的後訓練演算法。首先透過 HybridSFT 穩定整合工具的混合生成過程，教導主幹模型與 HybridLink 協調運作。

接著利用 HybridRL 擴展推理能力，讓模型學習何時應在潛空間進行思考，以及何時應透過文字執行動作。這些演算法分別用於穩定生成過程與擴展推理能力。

研究在三個模型規模上評估 HybridAgent，涵蓋數學、科學、醫學、搜尋及代理推理等 11 個基準。與包含文字基礎和潛空間方法的前沿 LLM 代理及框架相比，HybridAgent consistently 提升 10.4% 的效能。

在資源效率方面，該方法實現了 35.5% 至 54.7% 的 Token 減少量，推論速度加快 1.8 倍至 2.6 倍，並節省 2.7 倍至 3.7 倍的成本。來源報告了上述效能與資源效率數據。

代碼與模型已發布於 GitHub 及 Hugging Face。然而，有使用者測試了 Hugging Face 上的量化版本（hybridagent-8b-agentic-gguf:IQ4_XS），發現其在處理簡單問題如「教皇是誰」時陷入無限思考迴圈，無法完成任務。

社群討論指出，利用潛空間進行思考並非全新概念，但過去因可解釋性與對齊（Alignment）疑慮而被前沿實驗室迴避。有評論質疑此方法是否類似 OpenAI 透過多次網路傳遞來產生思考 Token 的做法，並擔心這可能增加欺騙性行為的風險，因為難以監控的內部狀態可能導致不可控的行為。