# CALR方法让数学推理准确率提高26个百分点

> 一篇于2026年10月7日发布的论文称，新的连续锚定潜在推理（CALR）技术在五项数学基准测试中提升了模型表现。

Oossa · 2026-10-07 · https://oossa.com/zh/calr-method-boosts-math-reasoning-accuracy-by-26-points

由Zhaoyang Wei带领的研究团队提出了CALR，这是一种将模型隐藏状态与答案监督联系起来的方法。该方法把推导过程压缩为潜在区块，同时让这些区块与原始问题保持关联。在五项数学推理基准测试中，在计算资源预算相同的情况下，CALR的表现比一种类似的连续潜在推理方法高出26个百分点。论文于2026年10月7日发布在arXiv上。

## 事实

- 与一种可比的连续潜在推理方法相比，准确率提高26.0个百分点
- 论文于2026年10月7日发布在arXiv上

## 为什么重要

这一提升表明，AI系统无需增加计算资源，也可能更可靠地解决数学问题，从而让教育工具受益。

## 来源与参考

1. [CALR: Continuous Anchored Latent Reasoning via Render-of-Thought Compression](https://arxiv.org/abs/2610.07175) – arXiv cs.CV, 2026-10-07

最后更新: 2026-10-07