GradCuit: Credit-Assigned Gradient Flow Enables Robust and Interpretable Test-Time Latent Reasoning

• 类型：arxiv
• 标识：2608.02585
• 链接：https://arxiv.org/abs/2608.02585
• 主分类：llm-infra
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：GradCuit (gradient through circuit), which inserts optimizable latent states at a selected Transformer layer between the hidden representations of the prompt and the generated continuation, opens a new axis of robust and interpretable test-time scaling, where LLMs adapt how they reason rather than merely regenerate, sample, or rerank outputs.
• OpenAlex ID：W7172425089
• OpenAlex DOI：10.48550/arxiv.2608.02585
• DOI：10.48550/arxiv.2608.02585
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2608.02585
• OpenAlex更新：2026-08-26
• 待LLM分类：否
• 标题中文：GradCuit：基于信用分配的梯度流实现鲁棒且可解释的测试时潜在推理
• TLDR中文：GradCuit（梯度穿越电路）在所选 Transformer 层、提示隐藏表示与生成续写之间插入可优化的潜变量，开启了鲁棒且可解释的测试时缩放新维度，使 LLM 调整其推理方式，而不仅仅是重新生成、采样或重排输出。
• 成熟度：research
• 场景：latent reasoning、test-time optimization
• 来源文件：
• /inbox/tom/_candidates/2026-08-04-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]