AI做科学推理，可能不该总靠“把步骤写出来”。

过去几年，大模型一旦进入“推理模式”，几乎都会走同一条路线：

先输出一大段思维链，再给出最终答案。

这套方法在数学题、代码题、复杂问答里很常见，也确实有效。但到了化学场景，它未必还是最顺手的方式。

Haven团队叶新武、唐相儒等联合斯坦福大学丛乐、普林斯顿大学王梦迪最新提出的LatentChem，想做的就是一件事：

把化学推理从“文本表面”挪到“模型内部”。

模型不一定要把每一步都翻译成文字，也可以先在连续隐空间里完成多步计算，最后再输出自然语言。

这不是“取消推理”，而是换了一种推理介质。

用文字描述化学，为什么不够好？

做过分子优化、分子编辑、反应预测的人，大多见过这种情况：

模型前面能写得头头是道。

电子效应、位阻、官能团、反应位点，说得都很专业。

但到了最后，生成出来的SMILES或分子结构，却和前面的分析对不上。

看起来像是在认真思考，结果却经常“说一套，做一套”。

LatentChem论文给出的解释很直接：

化学推理本身，更像是在连续、结构化的空间中进行搜索、调整和更新；

而自然语言token，本质上是离散的。

当模型被要求把这些本来更适合在连续表征中完成的过程，硬拆成一句一句自然语言时，就会出现论文提出的那个核心问题：

continuity–discretization gap

简单说，本来应该在连续空间里顺滑完成的化学推理，被强行切成了一格一格的文本步骤。

这不仅慢，还容易让“推理描述”和“最终结果”脱节。

LatentChem在做什么？

LatentChem的核心思路可以概括成一句话：

先在隐空间里思考，再在语言空间里回答。

它并不是简单把CoT删掉，而是重新设计了化学推理发生的位置。

整个系统大致可以理解为四步：

1、先把分子信息变成模型能用的“软提示”

LatentChem先通过分子编码器提取结构表示，再把它压缩成固定数量的ChemTokens。

这些ChemTokens会和文本指令一起送进模型，相当于先把分子上下文交给模型。

2、真正的中间推理，不再主要靠文字完成

和传统CoT一步步生成文本不同，LatentChem会在隐空间里生成一串latent thought向量。

这些向量不是“解释给人看的思路”，而是模型内部真正用于推进推理的中间状态。

3、推理过程中，模型还能不断“回看分子”

这是LatentChem很关键的一点。

它不是把分子读一遍就开始闭门推理，而是通过一个叫ChemUpdater的模块，让每一步latent thought都能重新作用到ChemTokens上。

换句话说，模型在推理过程中可以不断回看分子表示，动态聚焦到不同关键信息上。

4、把内部状态继续映射回下一轮推理输入

通过Latent Projector，模型可以把当前隐状态再映射回可继续迭代的输入空间，形成多步连续更新的闭环。

一句话概括就是：

LatentChem把“推理”和“表达”拆开了

推理先在内部完成，再依托语言进行输出。

更有意思的是：模型不是被强迫“别写CoT”，而是自己慢慢不写了

这篇论文里，最有意思的观察之一，发生在强化学习阶段。

作者采用GRPO训练时，

奖励并不关心模型有没有写出漂亮的思维链，也不要求解释过程多完整。它只看结果：

• 输出格式对不对
• 答案是不是有效
• 最终结果准不准

结果出现了一个很有代表性的现象：

模型会自发减少显式CoT。

它通常先在内部完成latent thinking，然后只输出一个极短的过渡符号，比如“.”或者“:”，接着直接给答案。

这说明什么？

说明一旦训练目标不再明确鼓励“把推理写出来”，模型就会自然把主要计算留在内部完成。

它不是不思考了，而是不再依赖把思考全部说出来。

这不是“偷懒”，论文还专门做了验证

为了证明latent thinking不是摆设，论文还做了一个很关键的实验：

研究团队把前面若干latent steps用高斯噪声替换，然后观察模型表现。

结果发现，被替换掉的latent steps越多，模型性能下降得越明显。

这意味着，这些latent states并不是无关紧要的中间变量，而是真的承载了推理所需的关键信息。

也就是说：

显式CoT少了，不等于推理少了。

很多推理，其实只是被“收进去了”。

还有一个细节特别值得注意

LatentChem并没有学成一个死规则。

如果它只是简单“禁止输出CoT”，那模型就应该始终不写长推理。

但论文观察到的现象更微妙：

当latent thinking的预算不够时，模型会重新把部分推理写出来。

也就是说，如果给它足够的内部推理空间，它就更多在隐空间里完成思考；

如果内部预算被压缩，它就会重新启用显式文本推理来补足能力。

这其实很重要。

它说明LatentChem学到的不是“别写”，而是一种更灵活的分配策略：

能在内部算，就尽量内部算；内部不够，再把一部分外显成文字。

所以，这项工作的真正意义，不是“让模型闭嘴”，而是证明：

CoT只是推理的一种外在表现，不一定是推理本体。

不只是快，而且更准

这种“只做不说”的内部推理范式，带来了实打实的性能红利。在各大化学基准测试中，LatentChem交出了亮眼的答卷：

在高度依赖推理的ChemCoTBench测试中，面对强大的显式CoT基线模型，拿下了高59.88%的非平局胜率。

通过将啰嗦的文本转化为紧凑的隐状态，大幅破除了生成延迟的瓶颈，平均推理速度暴涨10.84倍。在特定的反应任务上，效率甚至飙升了近30倍。

对于致力于打造未来AI Scientist的团队而言，LatentChem证明了一件事：显式的自然语言可能只是科学推理的一种外壳。把沉重的逻辑计算收回到隐空间中，不仅打破了效率与深度的权衡悖论，更为下一代科学AI奠定了更符合底层规律的计算基础。

从LatentChem到AI Scientist

对Haven来说，LatentChem的意义并不仅仅是一个新的化学模型。它更像是AI Scientist系统的一块关键组件。

Haven正在构建能够自动执行科学工作流的AI系统，包括：

• 分子设计
• 文献分析
• 实验规划
• 假设生成
• 结果验证

在这些复杂任务中，推理往往发生在结构化的连续空间，而不是自然语言中。

LatentChem展示了一种新的可能：让AI在隐空间中完成科学推理，再在需要时输出可解释结果。

同时，LatentChem提出了一个值得思考的问题：显式CoT是否只是推理的一种外化形式，而不是推理本身？

LatentChem展示的并不是“去掉推理”，而是：把推理从文本表面，收回到模型内部。

未来的AI Scientist，或许不会把每一步思考写出来，

但它们仍然在持续推理、探索和发现。

只是这些推理发生在隐空间中。

论文标题：LatentChem: From Textual CoT to Latent Thinking in Chemical Reasoning

论文链接：https://arxiv.org/abs/2602.07075

代码链接：https://github.com/xinwuye/LatentChem