大模型自信且短视！Next-ToBE破除Next Token预测诅咒 | ICLR'26

---

  新智元报道  

Next-Token Prediction（NTP）无疑是一个英雄，它与Transformer一起，开启了大模型时代。每一步只预测一个 token，看似「盲人摸象」，却让模型学会了语言规律，吸收了海量世界知识，也提供了一个稳定、可扩展的训练范式。

可以说，没有NTP，就没有今天的 LLM。

但问题在于，昨日的英雄，往往也最容易成为今日的枷锁。

作为一种本质上「短视」的训练目标，NTP 与人类的思考存在着微妙却深刻的错位。我们不妨想一个有点荒诞的场景：

你在下棋，对手已经布好了一个明显的陷阱。而你却只盯着:「下一步这颗子下哪最顺手？「

你不看未来走向，不看对方意图，只求当前一步「最合理」。这像不像今天很多大模型？

局部极其自信：「这一步，我非常确定」；但下一步、下下步，整个链条却可能跑偏。稍加追问，又收敛为谨慎甚至回避的姿态。

局部很流畅，全局却常常离谱。这种「自信而短视」的特征，尤其是在数学推理、代码生成、多步规划等依赖长程一致性的任务中，往往成为大模型表现的瓶颈。那么，问题到底出在哪里？

华东师范大学与复旦大学团队在 ICLR 2026 的工作中给出了他们的回答：大模型未必不会「想远一点」，它只是被长期训练成了「只能看下一步」。

换句话说，问题或许不在大模型能力本身，而在于我们究竟如何去「教」它。作者提出了一个耐人寻味的视角：与其执着于 Next-Token，不如尝试 Next-ToBE — Next Token-Bag Exploitation。

论文链接：https://openreview.net/pdf?id=T8IJojfaOh

图 1：Next-ToBE的整体研究框架

这个名字本身就很有意味。它不再要求模型只盯着「下一个词」，而是同时感知「将要成为（to be）」的内容。

工作沿着清晰的链条（如图1）展开：

①大模型是否已具备潜在的前瞻能力？ 

②如果有，这种能力为什么被压制？

③又该如何用优雅轻量的方式将其「激活」？ 

④这些改变是否能够转化为更高的推理能力？

这一切背后，还有更深的问题 — 当模型不再把全部确定性押在当下，而开始为未来分配概率时，置信度与推理之间的博弈，能否重新达成一种更有利于智能涌现的平衡？

实际推理中，大模型作为一个高维概率系统，每一步输出并不是一个点，而是一整个概率分布。作者发现，这个分布早已隐含了大模型对未来若干token的预判。

为了刻画这种「前瞻性」，论文提出了一个简单而直观的指标：Future-tokens Hit Rate（FtHR）。具体来说，在当前时刻t，取模型输出分布中概率最高的L个token，观察它们是否能够覆盖未来窗口[t, t+k]中真实出现的 token。

图 2：左）当前一步的输出分布也已经覆盖了相当比例的未来 token；右 ）未来 token 在当前预测中的排名越高，后续被正确生成的概率越大。

实验结果（图 2）揭示了两个关键现象：

1. 当前一步的预测分布中，确实已经覆盖了相当一部分未来 token；

2. 一个未来 token 在当前分布中排名越靠前，它在后续生成中被正确输出的概率也越高。

LLM的前瞻能力不仅客观存在，而且非常容易量化，并且与生成质量直接相关。

既然「看得更远」意味着「生成更准」，为什么不优化这一目标，让模型在每一步的预测中，不仅关注当前 token，也对未来若干步形成更合理的布局？

症结恰恰是NTP范式中one-hot 的目标分布：它太霸道，将全部概率质量集中在唯一token，压制了其他潜在路径。这让模型在表达上变得「非此即彼」，也使其变得短视，难以形成连续的长程规划。

当然，已有工作尝试突破这一限制。如Multi-Token Prediction（MTP）通过引入多个预测头（Medusa并行头），一次预测多步未来token。从本质上看，这类方法仍然是在并行地拟合多个one-hot分布，并没有真正改变刚性的目标分布，和「单步最优」的训练逻辑。

Next-ToBE的做法非常简单 — 它不改变模型结构，直接修改训练目标。

它将传统NTP中单一正确答案的one-hot分布，替换为一个覆盖未来窗口的软目标分布: 与其让模型把 100% 的概率都压在下一个token上，不如分出一小部分「注意力」去覆盖未来k个token，让模型在当前就开始形成对后续多步内容的感知。这正是Next Token-Bag Exploitation的核心 — 不是学习「下一个token」，而是学习「下一段token（token bag）的分布」。

图 3：Next-ToBE 架构。损失函数由「下一 token」主项与「未来窗口 token」软目标项辅助而成；后者的权重由模型自身的前瞻偏好（α）和 token 间的时间-语义关系（β，通过随机游走得到）共同决定。

构造「未来token分布」所遵循的原则（如图 3所示）：

1. 当前 token 仍然是主要目标。Next-ToBE 并没有放弃 NTP，而是将「预测下一个 token」作为损失函数的主项保留下来；在此基础上，引入未来窗口内的个 token 作为辅助监督，并通过系数  控制两者权重。这样既保证了局部生成的稳定性，也让模型对更远处的内容保持敏感。

2. 未来 token 进行时空结构化加权。未来k-1个token 的权重由两类信号共同决定：一是模型当前对该token的预测概率（即「模型本来就觉得它可能出现」），保留预训练阶段形成的先验；二是未来 token 与当前token之间的时序和语义关联—越接近当前、语义关联越强的 token，权重越高（通过交替随机游走建模）；最后融合成。

3. 目标分布的归一化。对于未来k-1个 token，其权重经归一化后构成目标分布；同时，对模型在这些 token 上的预测概率进行相应归一化，并最小化两者之间的分布差异（如 KL 散度或交叉熵）。

与 Multi-Token Prediction（MTP）不同，Next-ToBE不增加预测头，不修改模型，推理仍是标准的单步自回归。如果说MTP是「给模型多长几个脑袋」，Next-ToBE 做的，则是告诉模型:「下一步最重要，但你也得留点余光看未来「—就像高手下棋，子落之处，目光已在三步之外。

作者围绕三个问题展开实验：（1）Next-ToBE 是否真的提升了模型对未来 token 的提前感知？（2）这种前瞻能力能否进一步转化为更准确的后续生成？（3）这种提升最终是否会反映到复杂推理任务上？图 4 给出了前两个问题的答案。

图 4：经 Next-ToBE 微调后，（a）未来 token 命中率显著提升；（b）自回归下未来 k 步生成准确率同步上升；（c）下一 token 置信度略有下降（0.87 → 0.81），即模型变得不那么「一锤定音」。

最关键的是第三个问题：前瞻能力能否落实到下游任务。为回答这一问题，作者基于三个基座模型（Qwen2.5-Math-1.5B、Qwen2.5-Math-7B、Llama3.1-8B-Instruct）和三类任务（数学推理、代码生成、常识推理）通过微调训练共开展了 36 组对比实验。实验结果显示，经过Next-ToBE微调后的模型 在 35 组实验中均取得最优结果（表1）。

表 1：数学推理，代码生成与常识问答共36组实验中，Next-ToBE在35组中表现最优。

除此之外，Next-ToBE 在训练开销上也有明显优势，相较于MTP 类方法，显存和训练时间都有明显的降低。作者还验证了 Next-ToBE 在预训练场景下的有效性 — 这说明前瞻能力并非大模型预训练后的偶然产物，而是可以被训练目标主动「塑造」出来的。

Next-ToBE 在更大的尺度上实现了对确定性分配的系统性调节。随着超参λ增大，模型不再把全部注意力压在「下一个 token」上，而是逐渐将一小部分概率质量分配到更远的 token 上。这一变化直接带来的结果是：下一 token 的预测置信度持续下降，如图5（左）所示。

图 5：越大，下一 token 置信度越低（左）；但推理准确率随，置信度呈先升后降（中、右）

然而，最有意思的地方在于，随着模型预测下一 token 的置信度下降，推理准确率反而先上升，然后下降，呈现一个漂亮的A形 （图5中、右)。换言之，模型在「适度不确定」的状态下，反而表现出更强的推理。

相比之下，传统 Next Token Prediction（NTP）可视为 的极端情形，即将全部概率质量压缩于当前一步，追求极致的局部确定性。这种「短视的自信」并未带来整体推理最优解，反而限制了对长程依赖与潜在路径的探索能力。

可见，有效的长程推理，往往来自于对确定性的克制。与其追求极致的笃定，不如为未来保留空间。Next-ToBE最聪明的地方恰恰在于用当下一点点不确定性的让渡，来换取更长远的收益。

大模型诞生至今，有一件事很少被质疑或重构：让模型在每一步，都押注于一个确定的答案。我们以为，确定性是智慧的必然。而事实上，模型从来不是只顾当下——即使披着one-hot得枷锁，它的预测里仍然藏着对更远未来的感知。

Next-ToBE只做了一件事:卸下枷锁，让大模型骨子里的前瞻性得以自由生长。

这或许也是给我们自己的启发：真正的智慧，从不是每一步都绝对正确的僵化，而是那份在流动与开放中与不确定性共舞的觉知，带我们抵达更远处的必然。