仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
想一下，一个刚学数学的小学生（小模型SLM），虽然做题快，但遇到复杂问题就容易卡壳。而博士生导师（大模型LLM）知识渊博，但计算成本高。
论文：GuidingReasoninginSmallLanguageModelswithLLMAssistance链接：https ://arxiv.org/pdf/2504.09923v1
论文的突破点在于：让小学生自己尝试解题，只在关键步骤（比如解方程或逻辑推理）时，导师才出手指导。这种“外挂大脑”模式，就是SMART框架的核心。
第一步：小模型自己写解题步骤（比如：“先算加法，再算乘法”）。
第二步：给每一步“打分”——用两种方法：
PRM分数：像老师批改作业，直接判断对错；
TLC分数：看小模型自己有多自信（比如概率高低）。
第三步：分数低于阈值时，召唤大模型修正这一步。
生成推理路径的概率公式：
得分阈值τ：决定是否需要大模型介入的“分数线”。
论文用500道数学题测试，发现：
单次生成（N=1）：SMART让小模型正确率提升10-20%。
多次生成（N=32）：小模型能达到大模型90%以上的水平！
越难的题越明显：比如最高难度题（Lv5），小模型正确率从20%飙升至50%+。
关键发现
大模型只需修改约20%的步骤，就能大幅提升效果。
成本优势：相比全程用大模型，SMART的LLM调用量减少90%。
手机本地运行小模型，遇到复杂问题时联网求助大模型。
既保证响应速度，又降低流量费用。
未来可能结合强化学习，动态调整“辅导频率”。
隐私保护：敏感数据留在本地，只上传必要问题。
SMART框架揭示了一个趋势：大小模型协同，而非取代。
小模型的优势：速度快、成本低；
大模型的价值：关键时刻提供深度推理。
这种“师徒制”或许会成为AI落地的新范式。
备注：昵称-学校/公司-方向/会议(eg.ACL)，进入技术/投稿群
id：DLNLPer，记得备注呦
