MixReasoning: Moduswechsel zur Denkweise

MixReasoning: Switching Modes to Think

October 7, 2025

papers.authors: Haiquan Lu, Gongfan Fang, Xinyin Ma, Qi Li, Xinchao Wang

cs.AI

papers.abstract

Vernunftmodelle steigern die Leistung, indem sie Probleme Schritt für Schritt angehen, sie in Teilprobleme zerlegen und lange Gedankenketten durchlaufen, bevor sie eine Antwort liefern. Die Anwendung von ausgedehntem Schlussfolgern auf jeden Schritt führt jedoch zu erheblicher Redundanz, da sich Teilprobleme stark in Schwierigkeit und Komplexität unterscheiden: Eine kleine Anzahl von entscheidenden Schritten ist tatsächlich herausfordernd und maßgeblich für die endgültige Antwort, während viele andere lediglich einfache Überarbeitungen oder unkomplizierte Berechnungen erfordern. Daher liegt es nahe, Vernunftmodelle mit der Fähigkeit auszustatten, sich an diese Variation anzupassen, anstatt alle Schritte mit demselben Detaillierungsgrad zu behandeln. Zu diesem Zweck schlagen wir MixReasoning vor, ein Framework, das die Tiefe des Schlussfolgerns innerhalb einer einzelnen Antwort dynamisch anpasst. Die resultierende Gedankenkette besteht dann aus einer Mischung von detailliertem Schlussfolgern bei schwierigen Schritten und prägnanter Schlussfolgerung bei einfacheren. Experimente mit GSM8K, MATH-500 und AIME zeigen, dass MixReasoning die Länge der Schlussfolgerung verkürzt und die Effizienz erheblich verbessert, ohne die Genauigkeit zu beeinträchtigen.

English

Reasoning models enhance performance by tackling problems in a step-by-step manner, decomposing them into sub-problems and exploring long chains of thought before producing an answer. However, applying extended reasoning to every step introduces substantial redundancy, as sub-problems vary widely in difficulty and complexity: a small number of pivotal steps are genuinely challenging and decisive for the final answer, while many others only involve straightforward revisions or simple computations. Therefore, a natural idea is to endow reasoning models with the ability to adaptively respond to this variation, rather than treating all steps with the same level of elaboration. To this end, we propose MixReasoning, a framework that dynamically adjusts the depth of reasoning within a single response. The resulting chain of thought then becomes a mixture of detailed reasoning on difficult steps and concise inference on simpler ones. Experiments on GSM8K, MATH-500, and AIME show that MixReasoning shortens reasoning length and substantially improves efficiency without compromising accuracy.