康奈尔大学等研究者提出了双模式推理框架ALAR，智能体在常规决策中使用紧凑潜在推理，在复杂决策时切换到显式思维链。该方法显著减少Token消耗，搜索任务中最高减少43.6%，工具使用场景中高达84.6%。ALAR提高了效率，降低了成本和响应时间，但潜在推理的可解释性较低。