MixReasoning: Alternando Modos de Pensar

MixReasoning: Switching Modes to Think

October 7, 2025

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

cs.AI

Resumo

Modelos de raciocínio aprimoram o desempenho ao abordar problemas de maneira passo a passo, decompondo-os em subproblemas e explorando longas cadeias de pensamento antes de produzir uma resposta. No entanto, aplicar raciocínio estendido a cada etapa introduz uma redundância significativa, pois os subproblemas variam amplamente em dificuldade e complexidade: um pequeno número de etapas cruciais é genuinamente desafiador e decisivo para a resposta final, enquanto muitas outras envolvem apenas revisões diretas ou cálculos simples. Portanto, uma ideia natural é dotar os modelos de raciocínio com a capacidade de responder de forma adaptativa a essa variação, em vez de tratar todas as etapas com o mesmo nível de elaboração. Para isso, propomos o MixReasoning, um framework que ajusta dinamicamente a profundidade do raciocínio dentro de uma única resposta. A cadeia de pensamento resultante se torna, então, uma mistura de raciocínio detalhado em etapas difíceis e inferência concisa em etapas mais simples. Experimentos no GSM8K, MATH-500 e AIME mostram que o MixReasoning reduz o comprimento do raciocínio e melhora substancialmente a eficiência sem comprometer a precisão.

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.