思考以回忆：推理如何解锁大语言模型中的参数化知识

Google Research 的研究发现，让大语言模型在回答简单事实性问题时生成推理链（chain-of-thought），能解锁其参数记忆中原本无法直接提取的正确答案，即使问题本身无需复杂步骤。这一反直觉现象由两种机制驱动：一是利用生成的推理标记进行潜在计算，二是通过生成相关事实来激活正确回忆。研究在Gemini-2.5和Qwen3-32B等模型上验证，启用推理后模型成功回忆了关闭推理时几乎无法获取的答案，且提升并非源于问题分解。该发现揭示了推理在简单事实检索中的意外作用，为理解LLM知识调用提供了新视角。