Модели рассуждений могут быть эффективными без необходимости мышления.

Reasoning Models Can Be Effective Without Thinking

April 14, 2025

Авторы: Wenjie Ma, Jingxuan He, Charlie Snell, Tyler Griggs, Sewon Min, Matei Zaharia

cs.AI

Аннотация

Современные крупные языковые модели (LLM) значительно улучшили способности к рассуждению, в основном за счет включения явного, длительного процесса мышления в процесс генерации. В данной статье мы ставим под сомнение необходимость такого явного мышления. Используя передовую модель DeepSeek-R1-Distill-Qwen, мы обнаруживаем, что обход процесса мышления с помощью простого промптинга, обозначенного как NoThinking, может быть удивительно эффективным. При контроле за количеством токенов NoThinking превосходит подход с мышлением на разнообразном наборе из семи сложных задач на рассуждение — включая решение математических задач, формальное доказательство теорем и программирование — особенно в условиях ограниченных ресурсов, например, 51.3 против 28.9 на ACM 23 с 700 токенами. Примечательно, что производительность NoThinking становится более конкурентоспособной с увеличением значения k в метрике pass@k. Опираясь на это наблюдение, мы демонстрируем, что подход параллельного масштабирования, использующий NoThinking для независимой генерации N выходных данных и их агрегации, является высокоэффективным. Для агрегации мы используем специфичные для задачи верификаторы, если они доступны, или применяем простые стратегии best-of-N, такие как выбор на основе уверенности. Наш метод превосходит ряд базовых подходов с аналогичной задержкой, использующих мышление, и сравним с подходом мышления при значительно большей задержке (до 9 раз). Вместе наше исследование побуждает пересмотреть необходимость длительных процессов мышления, а также устанавливает конкурентоспособный ориентир для достижения высоких результатов в рассуждениях в условиях ограниченных ресурсов или при низкой задержке с использованием параллельного масштабирования.

English

Recent LLMs have significantly improved reasoning capabilities, primarily by including an explicit, lengthy Thinking process as part of generation. In this paper, we question whether this explicit thinking is necessary. Using the state-of-the-art DeepSeek-R1-Distill-Qwen, we find that bypassing the thinking process via simple prompting, denoted as NoThinking, can be surprisingly effective. When controlling for the number of tokens, NoThinking outperforms Thinking across a diverse set of seven challenging reasoning datasets--including mathematical problem solving, formal theorem proving, and coding--especially in low-budget settings, e.g., 51.3 vs. 28.9 on ACM 23 with 700 tokens. Notably, the performance of NoThinking becomes more competitive with pass@k as k increases. Building on this observation, we demonstrate that a parallel scaling approach that uses NoThinking to generate N outputs independently and aggregates them is highly effective. For aggregation, we use task-specific verifiers when available, or we apply simple best-of-N strategies such as confidence-based selection. Our method outperforms a range of baselines with similar latency using Thinking, and is comparable to Thinking with significantly longer latency (up to 9x). Together, our research encourages a reconsideration of the necessity of lengthy thinking processes, while also establishing a competitive reference for achieving strong reasoning performance in low-budget settings or at low latency using parallel scaling.