2026 年 10 月 15 日，蘋果機器學習研究團隊發布論文，提出 Selection-based Structured Reasoning（SSR），把多模態智慧體的推理從自由生成改為從預設候選中選擇，目標是降低小模型在每步行動前的推理開銷。據機器之心 10 月 16 日報導，該工作由蘋果與卡內基梅隆大學合作，推理庫包含 6 條預定義推理選項：不確定圖中實體時用以圖搜圖識別、需要具體事即時用文字搜尋查詢、需要檢視細節時裁剪或放大影像區域性、證據已收集時基於證據作答、圖中就有答案時直接讀圖作答、常識可答時直接回答。Agent 每輪不再逐 token 生成推理，而是從中選一條作為當輪推理，再基於它生成具體動作，把可複用的高層推理與例項相關的執行細節解耦；推理選擇由模型自身打分完成，不需要額外分類頭，也可跳過 SFT warm start 直接接 RL 訓練。在 7 個多模態搜尋 benchmark 上，每輪推理延遲降低超過 90%，每題總推理延遲降低 28–54%，p95 推理延遲僅 0.07 秒；4B 模型平均成功率 61.37%，與同規模 SOTA 持平，2B 模型為 51.26%。論文地址為 arXiv:2610.01892。這一改動直接影響在端側或消費級硬體上跑多模態搜尋 Agent 的開發者：小模型有望以更低延遲和推理成本維持接近 SOTA 的成功率。
AI 根據 2 則報導生成 · 更新
沿著報導，了解事件的不同側面；點標題看單篇報導的摘要與原文連結。
論文提出 Selection-based Structured Reasoning（SSR），把多模態智慧體的推理從自由生成改為從預設候選中選擇。SSR 將反覆出現的高層推理表示為預先設定、可複用的自然語言候選，模型在每一輪從這些候選裡選擇，而不是開放式生成。作者指出，多模態智慧體通常在每次行動前生成自由形式的推理，小模型受容量限制，往往產生冗長卻對動作生成幫助有限的推理，同時帶來可觀的推理成本。
過去 48 小時，有 2 個獨立來源報導，最近 6 小時新增 1 個。熱度 1.3，熱門榜第 9 名。
熱度以 48 小時內的獨立來源計，同一來源只算一次，每 24 小時權重減半。
同一事件的報導集中在這裡，新的進展會繼續補充。