新研究把文本压缩这件事从专门模型手里抢了回来。论文作者写道「推理与压缩本属同源任务」，言外之意是，推理型大模型不需要再叠加一套压缩工具，自己就能把长文章截短、保留核心信息，而且可控性比专门模型还更好。这一发现对工程团队是直接的成本节约，也对压缩模型这条独立赛道发出了警告。
零训练版跑赢同体量专门压缩模型
团队让推理大模型直接输出压缩文本，全程没有任何微调，也没有附加奖励信号。在 4 类公开基准上，零训练版本的压缩长度比同体量专门模型短 18% 左右，关键信息覆盖率反而高出 6 到 9 个百分点。模型还能按指令把压缩比从 30% 调到 70%，输出依然连贯，没有出现常见的关键事实丢失。研究者在长论文摘要任务上测出 ROUGE-L 提升超过 4 分，这种幅度在传统压缩研究里通常需要专门数据集训练几轮才能拿到。
推理链条本身就是裁剪的过程
研究者指出，推理大模型在解题阶段就在持续裁剪无关信息，把思考链压到最短。把这套已经成熟的内部决策机制暴露给压缩任务，等于直接复用了模型本来就会的能力，所以根本不需要额外训练。当前方法覆盖中英两种语言，长文摘要、代码注释和会议纪要这三类高频场景都跑通了，开源代码也已经放出。论文里特别提到，模型在压缩过程中会先做信息重要性排序，再决定保留哪些片段，整个过程对用户透明，可以随时插入指令调整偏重。
专门做文本压缩的模型时代基本走到头
过去几年，文本压缩是一条相对孤立的研究路线，专门模型一直在迭代，但能力曲线越来越平。这项工作把它和主流推理模型合到一起，结论很直白：花一份算力单独训练一个压缩模型，性价比正在迅速失效。后续做摘要、检索增强或上下文裁剪的工程团队，应该先试推理模型的零训练方案，把它当默认选项，再决定要不要再叠加一个小模型。继续单独维护压缩模型这条路，预算和精力都不太值得了。
参考：arXiv 自压缩研究
