IS-CoT：通过交错结构化思维打破长文本生成的性能崩塌

大型语言模型在生成长文本时面临性能崩塌问题，IS-CoT框架通过嵌入动态的计划-写作-反思循环，实现无需外部辅助的持续策略适应和全局对齐，在LongBench-Write等基准测试中超越DeepSeek-V3.2达3.08分。原论文来源：arXiv，标题IS-CoT: Breaking the Long-form Generation Collapse via Interleaved Structural Thinking，链接http://arxiv.org/abs/2606.09709v1，发布时间2026-06-08。

大型语言模型（LLMs）在逻辑密集型任务表现出色，但开放式长文本写作中存在“长度崩塌”现象——目标文本超2000词时性能急剧下降，内容缺乏连贯性和可控性。根源在于静态分层规划机制不足：生成初期制定大纲后不再调整，无法动态修正，难以应对多段落衔接的长文本需求。

IS-CoT（交错结构化思维）框架将动态的计划-写作-反思循环嵌入生成过程，是内生机制无需外部工具。核心创新为“交错”：传统方法分阶段执行规划、写作、反思，而IS-CoT让三者微观交替——每生成一段即评估与整体目标契合度，微调后续计划，确保长文本全局一致性。

为训练IS-Writer-8B模型，团队构建含大量交错推理轨迹的高质量数据集，采用多教师管道整合多个先进模型优势筛选样本。训练重点不仅是“写什么”，更在于学习“如何规划写作”和“何时调整策略”，培养元认知能力以适应不同长度要求。

在LongBench-Write等基准测试中，IS-Writer-8B（80亿参数）表现领先，较DeepSeek-V3.2提升3.08分，可与更大参数量专有模型媲美。此外，模型能准确遵循用户指定长度要求，既不过早结束也不过度生成，展现优秀长度合规性。

IS-CoT成功表明，提升长文本生成质量关键不在扩大模型规模，而在优化生成过程的动态决策机制。将反思能力内嵌生成流程为模型架构设计提供新方向。对开发者和研究者，IS-CoT提供可借鉴范式：通过结构化思维轨迹训练，较小模型也能突破长文本任务。