大型语言模型（LLM）的推理能力提升一直是研究热点。当前主流方法，如思维链（Chain-of-Thought）以及“Wait”提示等，主要思路是鼓励模型“想得更多”，通过延长推理过程来获得更好的结果。然而，这些方法往往并不能真正把模型引向“真相”（Truth），也就是不能保证推理轨迹朝向正确的方向收敛。表示编辑（Representation Editing，RepE）作为一种从模型内部表征层面施加控制的技术，理论上提供了更本质的干预手段，但它在动态推理轨迹上的应用此前仍缺乏系统探索。
针对这一空白，论文《Search for Truth from Reasoning: A Dynamic Representation Editing Framework for Steering LLM Trajectories》深入研究了真相在逐步展开的推理链中究竟以何种几何形态存在。作者提出了三点关键发现。第一，真相是在句子级别被编码的，并且与潜在的推理模式相互纠缠，这意味着不能简单地用单一方向向量来刻画它。第二，有效的干预遵循一种“不确定性原理”以及“衰减效应”，因此干预必须定位在推理早期的高熵分叉点上，越往后干预效果越弱。第三，朴素的引导向量（steering vector）会引入噪声，可能对本来正确的推理轨迹造成附带损伤。
基于上述洞察，作者提出了名为 DynaSteer 的动态表示编辑框架。该框架首先通过模式聚类（pattern clustering）来解耦不同的推理流形，使纠缠的推理模式得以分离；随后利用 Fisher-LDA 将“纯净的真相”投影出来，从而获得更干净的引导方向。在推理过程中，DynaSteer 动态监控前瞻熵（lookahead entropy），仅在必要时选择性地施加引导，并在轨迹偏离时进行回滚，从而避免过度干预。
实验方面，作者在多个 MATH 基准上进行了全面评估，验证了 DynaSteer 的有效性；同时在域外编程任务上的实验进一步证实了该方法的泛化能力。该论文已被 ICML'26 接收，代码已在 https://github.com/tianlwang/DynaSteer 公开。论文由 Tianlong Wang 等 8 位作者完成，于 2026 年 6 月 26 日提交至 arXiv，编号为 arXiv:2606.28589，属于 cs.AI 分类。