據報導，OpenAI 已將其即將推出的模型 Astra 訓練為在連續潛空間中進行推理，而非依賴明確的文本式思維鏈。這種架構轉變使模型能夠更高效地處理抽象資訊，而無需生成冗長的文本軌跡。

這項進展標誌著前沿 AI 模型的重大技術轉變，可能提供更高的運算效率以及推理難以用文字描述的觀念的能力。潛空間推理利用高維向量來編碼思想，從而實現多路徑探索並支援廣度優先搜尋模式，將內部推理與可見的上下文標記解耦。

這種方法預計在保持或提升複雜任務表現的同時，顯著減少標記使用量，並解決了社群對當前模型冗長性以及內部模型狀態可解釋性挑戰的擔憂。

事件背景

目前的前沿模型通常使用思維鏈提示，即模型生成中間文本步驟來解決問題。潛空間推理是一個在 Meta 和 OpenAI 等近期論文中探討的概念，允許模型在連續向量空間中「思考」，類似於人類在不使用文字的情況下進行空間推理。此方法旨在使 AI 處理更高效，並能處理非語言邏輯。

社群觀察

社群情緒兩極，有人對效率提升感到興奮，也有人擔心可解釋性問題。部分用戶欣賞本地模型標記用量的減少，而另一些人則擔心「無聲思考」會讓人難以理解 Astra 如何得出結論。