通过瓶颈思考：用于严谨归纳的沙漏推理

提出Hourglass推理方法，强制LLM在推理阶段间仅通过压缩符号状态传递信息。在ARC-AGI-2上最佳5次准确率提升14点，ChipBench上GPT-5.5的Verilog合成准确率从31%提升至58%，并逆转了BBEH-Linguini上显式表达伤害性能的趋势。

此前自我细化无法有效强化少样本归纳推理，甚至显式表达规则会伤害性能。Hourglass通过结构隔离和符号状态传递，在视觉抽象、硬件合成和文本规则归纳任务上实现了显著且稳定的提升。

LLM作为元构建器，为任务构建符号编码器-解码器：归纳模块将支持示例压缩为模式φ和临时支架z，演绎模块从中推导规则T并丢弃z，实现者编译(φ,T)为工件，错误驱动的精炼器仅修订(φ,T)并从头再生。这种隔离确保了所有细化都锚定在规则上，避免了中间状态的干扰。

可直接提升依赖少样本归纳推理的产品准确率，如在硬件描述生成中翻倍，视觉推理任务提升14个点。但需要重构现有流水线以集成阶段隔离和符号状态传递，增加了实现复杂度。

• 在代码合成工具（如Verilog生成器）中嵌入Hourglass推理，以提升硬件描述准确率。
• 为视觉抽象推理任务（如ARC-AGI）开发基于Hourglass的API，提高AI在图像归纳上的表现。
• 在语言逻辑题（如高考/奥赛型）解析产品中应用Hourglass，避免显式表达导致性能下降。
• 提供少样本归纳推理即服务，支持用户上传示例并获取压缩规则和工件。

• 该方法是否适用于非归纳推理任务（如对话、翻译）？
• 在商业LLM（如GPT-4、Claude）上复现效果是否需要额外组件？
• Hourglass推理的计算开销和延迟是否在可接受范围？
• 如何处理更复杂的跨阶段依赖（如迭代精炼次数过多时的稳定性）？