MixReasoning : Alternance de modes pour raisonner

MixReasoning: Switching Modes to Think

October 7, 2025

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

cs.AI

papers.abstract

Les modèles de raisonnement améliorent les performances en abordant les problèmes de manière séquentielle, en les décomposant en sous-problèmes et en explorant de longues chaînes de réflexion avant de produire une réponse. Cependant, l'application d'un raisonnement approfondi à chaque étape introduit une redondance significative, car les sous-problèmes varient considérablement en difficulté et en complexité : un petit nombre d'étapes clés sont véritablement complexes et déterminantes pour la réponse finale, tandis que beaucoup d'autres ne nécessitent que des révisions simples ou des calculs élémentaires. Par conséquent, une idée naturelle est de doter les modèles de raisonnement de la capacité de s'adapter dynamiquement à cette variation, plutôt que de traiter toutes les étapes avec le même niveau de détail. À cette fin, nous proposons MixReasoning, un cadre qui ajuste dynamiquement la profondeur du raisonnement au sein d'une même réponse. La chaîne de raisonnement résultante devient alors un mélange de raisonnements détaillés pour les étapes difficiles et d'inférences concises pour les étapes plus simples. Les expériences menées sur GSM8K, MATH-500 et AIME montrent que MixReasoning réduit la longueur du raisonnement et améliore considérablement l'efficacité sans compromettre la précision.

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.