超越稠密状态：将稀疏转码器提升为用于潜在推理的主动算子

潜在推理将思维链（CoT）压缩为连续隐状态，但现有方法依赖难以解释和控制的稠密潜在转移。与此同时，稀疏表征模型虽能揭示人类可解释的语义特征，却多限于事后分析。本文提出LSTR（潜在稀疏转码推理）框架，将功能性稀疏转码器提升为主动推理算子，通过稀疏语义转移执行多步计算。其核心是采用残差跳跃架构的潜在转移转码器（LTT），将线性流形迁移与稀疏语义更新解耦，并通过显式稀疏性约束实现可控的语义分辨率。实验表明，LSTR在保持推理准确性和压缩效率的同时，显著优于稠密基线的可解释性。因果干预与轨迹分析进一步证明，这些稀疏特征在推理过程中兼具可解释性与因果有效性。