长时程推理容易因早期错误导致后续决策失效。本文提出 QART（Quantum‑Augmented Reasoning Transformer），一种量子‑经典混合架构，核心由语言模型骨干、量子编码、基于耦合光学振荡器（CIM）的 QUBO 求解以及量子解码组成。
语义信息可以来源于隐藏表征或模型生成文本，具体的编码与优化细节为专有技术。作者在明确假设下，推导出相对于单轨自回归大模型的条件渐近可靠性分离。
对于一类任务，若最优性与接受准则一致，则自回归模型的接受概率在累计不可逆错误风险发散时趋于零。而 QART 在条件概率保持正值的前提下，其最优路径恢复概率下界大于零，涉及路径覆盖、语义保真、谱认证、动力可达性以及读出忠实度，并需满足给定资源调度。
实验在六个长时程基准上，使用 DeepSeek V4 Flash、GLM‑5.3、GPT‑5.5 xhigh 作为骨干模型，置于 Codex 代理环境。QART 在 15 对骨干‑基准组合中有 14 例表现更佳，SciCode 上提升 84.0%，τ³‑Bench 提升 47.6%，Terminal‑Bench 4.0 提升 44.4%，但在 DeepSWE 上 DeepSeek V4 Flash 配置下降 7.8%。这些结果并未直接验证渐近分离。
作者给出若干量子尺度律作为条件假设。要声称量子优势，需要展示 CIM 在强经典求解器上的优势，并且该优势能够在考虑全部系统开销后转移到端到端推理中。
综上，QART 提供了一条潜在的量子加速路径，但其实际收益仍依赖于量子硬件与优化算法的进一步突破。点评