A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems

一、文章主要内容总结

该论文是一篇关于大型语言模型（LLMs）推理领域前沿进展的综述，发布于2025年4月12日，共72页，包含6幅图表，聚焦LLMs推理这一区分先进AI系统与传统聊天机器人赋能模型的关键能力，从多维度对现有方法进行系统梳理与分析：

1. 核心分类框架：从两个正交维度对LLM推理现有方法分类
   • 机制维度（Regimes）：依据推理实现的阶段划分，涵盖推理时（inference time）实现推理的方法，以及通过专门训练（dedicated training）实现推理的方法。
   • 架构维度（Architectures）：根据推理过程涉及的组件区分，一类是独立的大型语言模型（standalone LLMs），另一类是智能体复合系统（agentic compound systems），这类系统融入了外部工具和多智能体协作机制。
2. 关键分析视角：在上述每个维度下，均从两个层面展开深入分析
   • 输入层面（Input level）：重点研究构建高质量提示词的技术，这些提示词是大型语言模型进行推理的依据，高质量的提示词能为模型推理提供更优的初始条件。
   • 输出层面（