LogitsCoder：通过logits偏好解码实现高效链式推理路径搜索以用于代码生成

代码生成是一项需要精确且结构化推理的挑战性任务。现有的测试时扩展（TTS）方法，包括结构化树搜索，在探索推理路径方面取得了一定进展，但仍面临两个主要问题：（1）浅层推理，即推理链往往较浅，无法捕捉问题的全部复杂性；（2）过度推理，即过于冗长的推理导致效率低下和计算成本增加。为了解决这些问题，我们提出了LogitsCoder，一种通过轻量级logits层级控制机制增强链式推理的新框架。LogitsCoder通过首先利用Logits Preference Decoding引导token选择向统计上更优的模式靠拢，然后使用基于logits排名的路径选择和思维聚合方法选择并整合多样化的推理路径，从而生成既连贯又有效的推理链，平衡深度与效率。大量实验表明，LogitsCoder生成的推理链更加高效且质量更高，相较于基线方法在代码生成性能上表现更优。