唐杰团队Trace as State前放痕迹赢26组

唐杰团队这篇论文不是讲故事，是把长上下文推理的天花板直接掀了。 论文的重大发现：不是模型不会读百万字，是「晚发现的状态」进不了前面token的表示。条件先给vs后给，最坏记忆差一个指数级。 具体来说，他们提出了Trace as State方法：把第一轮推理痕迹当任务状态，塞到长文前面再读一遍。对照组Trace Append用同一段痕迹，只是放在文后。 27组模型×任务×指标，前放赢后放26组。不是玄学，是顺序本身在赚钱。 最震撼的数据：GraphWalks Parents精确匹配，DeepSeek V4 Pro Preview从首轮29.2%到后放43.0%再到前放81.8%；GLM-5.2从首轮66.4%到后放83.2%再到前放100.0%。 同一套方法在MRCRv2、NUB-1M上跨DeepSeek/GLM/Qwen三家都成立。痕迹条数从1加到5，前放始终压过后放。 智谱这条路有多可怕：GLM-5.2在最难的图行走父节点任务上，不改架构、不改训练，只改"状态何时可见"，直接打满100%。别人还在加层、加cache、加loop层数，他们已经把"第二次过"做成可上线的推理缩放。 层内循环是GPT-6 Astra的传闻，跨pass回灌状态是已经写进论文、且自家模型先打穿的现实。 论文：arxiv.org/abs/2609.02702