---
title: "Dual Collapse in Latent CoT"
created: 2026-06-25
updated: 2026-06-25
type: concept
tags: [latent-cot, optimization, gradient-flow, representation-drift, supervision]
sources:
  - "[[latent-cot-supervision]]"
---

# Dual Collapse in Latent CoT

**Dual Collapse**（双重崩溃）是 [[latent-cot-supervision|Latent CoT Supervision]] 论文中诊断的 Outcome Supervision 失败的根源机制，由两个耦合的退化过程组成。

## 组件一：梯度衰减 (Gradient Attenuation)

仅使用最终 answer loss 时，反向传播的梯度沿潜链衰减：

```
G(t) = ||∂L_OS / ∂L_t||
```

实证发现：G(1) >> G(2) > ... > G(6) ≈ 0。

**后果**：
- 模型依赖 L1 承载几乎所有推理负担（structural shortcut）
- 深层潜状态实际上处于"未训练"状态
- 类似 gradient starvation (Pezeshki et al., 2021)：主导浅层特征抑制深层依赖的学习

## 组件二：表征漂移 (Representational Drift / Manifold Drift)

由于深层潜状态缺乏有效梯度信号，它们的表征在训练过程中偏离显式 CoT 嵌入所定义的语义空间：

- PCA 可视化显示潜轨迹从语义参考区向外发散
- 面积比达 460.3× —— 潜空间探索区域远大于语义有效区域
- 失去语义锚定后，潜状态进入无结构高熵区域

## 交互效应

两个机制的耦合形成恶性循环：
1. 梯度衰减 → 深层潜状态未受训练
2. 未受训练的潜状态漂移 → 对 answer loss 贡献降级
3. 贡献降级 → 分配更少梯度 → 进一步衰减

最终：模型通过捷径（shortcut）最小化损失，而非通过真正的多步推理。

## 解决方案

过程监督（Process Supervision）通过两个维度打断这个循环：
- [[trajectory-supervision|Trajectory Supervision]]：在每个推理步骤注入局部梯度信号，打破梯度衰减
- [[space-supervision|Space Supervision]]：通过生成式重建锚定潜状态，防止表征漂移

## 参考

- [[latent-cot-supervision]]
- [[trajectory-supervision]]
- [[space-supervision]]