MixReasoning: Cambio de modos para pensar

MixReasoning: Switching Modes to Think

October 7, 2025

Autores: Haiquan Lu, Gongfan Fang, Xinyin Ma, Qi Li, Xinchao Wang

cs.AI

Resumen

Los modelos de razonamiento mejoran el rendimiento al abordar problemas de manera paso a paso, descomponiéndolos en subproblemas y explorando cadenas largas de pensamiento antes de producir una respuesta. Sin embargo, aplicar un razonamiento extendido a cada paso introduce una redundancia considerable, ya que los subproblemas varían ampliamente en dificultad y complejidad: un pequeño número de pasos clave son genuinamente desafiantes y decisivos para la respuesta final, mientras que muchos otros solo implican revisiones directas o cálculos simples. Por lo tanto, una idea natural es dotar a los modelos de razonamiento con la capacidad de responder de manera adaptativa a esta variación, en lugar de tratar todos los pasos con el mismo nivel de elaboración. Con este fin, proponemos MixReasoning, un marco que ajusta dinámicamente la profundidad del razonamiento dentro de una sola respuesta. La cadena de pensamiento resultante se convierte entonces en una mezcla de razonamiento detallado en pasos difíciles e inferencia concisa en los más simples. Los experimentos en GSM8K, MATH-500 y AIME muestran que MixReasoning reduce la longitud del razonamiento y mejora sustancialmente la eficiencia sin comprometer la precisión.

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.