Naukowcy z ArXiv zaproponowali CoTS - ramy pracy do dynamicznego wyboru, jak model powinien reprezentować swoje pośrednie kroki rozumowania. Zamiast globalnie decydować, czy użyć miękkiego osadzenia (continuous embeddings) czy dyskretnego tokenu, CoTS podejmuje tę decyzję dla każdego tokenu osobno, opierając się na pewności modelu w danym momencie.
Tradycyjne podejścia do latent reasoning zastępują Chain-of-Thought dyskretnymi decyzjami ciągłymi reprezentacjami - pozwala to na zachowanie alternatywnych ścieżek myślenia, ale traci się konkretne zobowiązanie. CoTS rozwiązuje ten problem, patrząc na dystans między dwoma najprawdopodobniejszymi następnymi tokenami. Kiedy jeden kandydat wyraźnie dominuje (duży dystans), model pozostaje przy reprezentacji dyskretnej. Gdy dystans się zmniejsza i konkurencja zaostrza się, system stopniowo zwiększa "miękkość" reprezentacji, pozwalając na eksplorację alternatyw bez porzucenia głównej ścieżki.
To jest podejście training-free, co oznacza że nie wymaga ponownego trenowania modelu - można je zastosować do istniejących systemów. Metoda adresy uje rzeczywisty problem: nie wszystkie kroki w procesie rozumowania mają tę samą pewność, a zatem powinny być traktowane różnie. Dostosowanie adaptacyjne do każdego tokenu mogłoby poprawiać zarówno jakość rozumowania jak i zdolność modelu do eksploracji wielościeżkowych rozwiązań w trudnych problemach.