Naukowcy opracowali SELR -框架Self-Explainable Latent Reasoning, który uczy modele sztucznej inteligencji myśleć efektywnie w ukrytej przestrzeni numerycznej, ale jednocześnie wyjaśniać swoje rozumowanie w czytelny dla ludzi sposób. Problem, który rozwiązują, jest praktyczny: dotychczas istniejące metody latentnego rozumowania były szybkie ale całkowicie nieprzejrzyste, albo wymagały osobnych, dodatkowych komponentów do generowania wyjaśnień - co było nieeleganckie i czasami rodziło niezgodności między rzeczywistym procesem myślenia a jego wyjaśnieniami.
Kluczem do podejścia SELR jest jednoczesne trenowanie modelu na dwie komplementarne funkcje straty. Pierwsza (Answer Loss) optymalizuje trajektorię rozumowania w przestrzeni ukrytej aby produkować poprawne ostateczne odpowiedzi. Druga (CoT Loss) wymusza na tym samym modelu dekodowanie jego własnych reprezentacji z powrotem do czytelnych dla człowieka kroków myślowych - takich jak tradycyjne Chain-of-Thought. To eleganckie połączenie sprawia, że wygenerowane reprezentacje są zarówno efektywne dla zadania, jak i semantycznie interpretowalne, bez potrzeby zewnętrznych dekoderów.
Badacze zvalidowali SELR zarówno na dużych modelach językowych, jak i modelach vision-language. To ważne, bo pokazuje uniwersalność podejścia. Połączenie efektywności obliczeniowej latentnego rozumowania z transparencją Chain-of-Thought mogłoby być istotne dla praktycznych aplikacji AI, gdzie zarówno szybkość, jak i explicability są krytyczne - szczególnie w domenach wrażliwych jak edukacja czy decyzje biznesowe.