大模型也许不该说话了。这是AI界一个正在成型的新共识：语言，正成为阻碍推理能力释放的瓶颈。
传统的大语言模型，从GPT到Claude，从Bard到Deepseek，都是靠“说话”来推理的。问它一个数学题，它会列出“思考过程”；让它分析伦理难题，它也会“条理清晰”地给你一个逻辑铺陈。但这些文字，其实是代价高昂的赘余表达。
语言不是模型的母语，数学空间才是。模型“脑中”的信息，永远以向量存在。这个空间叫做latent space，潜空间。无论是GPT还是Gemini，它们的所有计算过程都是向量到向量的变换。每一个词，都是被转换成数值后才能“被理解”。
但模型不能一直待在这个空间。它必须定期“翻译”成一个个词语——也就是我们看到的回答过程。这一步不只是信息损失严重，而且计算成本极高，尤其是面对复杂推理任务，转换频率越高，效率越低。
现在，有人打破这个常规。
去年，Meta实习生Shibo Hao搞了一个新模型，叫Coconut。这个模型的核心创新在于：它拒绝频繁从潜空间跳出来说话。
传统模型的“思考”是一串词，Coconut直接把“思考”锁定在数学空间里，一直不说话，直到最后才输出结果。它绕开了“文字思维”，保留了更丰富的内部信息，更像是人类的直觉式推理。
效果很惊人。在逻辑推理测试中，它和GPT-2版本一样精准（98.8%），但只用了十分之一的词。在多选任务中，它更少语言、更高准确率。关键是：同样的底座模型，Coconut不换架构、不加参数，仅仅绕开语言，就做得更好。
更极端的是另一组人。
马里兰大学的Tom Goldstein团队，干脆连固定层数都不要了。他们做了一个循环结构，让模型自己决定思考几次。模型可以在潜空间中反复循环，不断迭代，直到认为“我想明白了”，才出来说话。
更离谱的是，模型自己学会了“简单问题快出结果，复杂问题多想几轮”。没有人教它怎么判断，它在潜空间中自己形成了“难度感知”。
