讓LLM不再話癆，快手HiPO框架來了

當用戶向大語言模型提出一個簡單問題，比如「單詞 HiPPO 里有幾個字母 P？」，它卻正襟危坐，開始生成一段冗長的推理鏈：「首先，讓我們分析 HiPPO 這個詞，河馬的英文單詞為 hippo，河馬是一種半水生哺乳動物，這里用戶用了大寫字母，可能有特殊的含義，對于單詞 HiPPO，我們可以將其拆分為 H-i-P-P-O，字母 P 出現在第 3 與第 4 個位置，因此有 2 個字母 P... 讓我們簡化問題，HiPO 可以拆分為...」

面對這樣的「嚴謹」，用戶難免哭笑不得，既浪費了計算資源，也增加了等待時間，甚至更壞的情況是模型被自己冗長的推理鏈「繞暈了過去」，最終給出了錯誤的答案，用戶只得捶胸頓足地大喊：「這合理嗎？」

這種現象，正是當前追求強大推理能力的 LLM 們普遍面臨的「過度思考」（Overthinking）困境。

無論是數學計算、代碼生成還是邏輯問答，模型似乎習慣了「啟動即深思」的模式，即使面對本可直觀回答的簡單問題，也要展開一番鏈式思考（Chain-of-Thought, CoT），導致 token 使用量激增、推理延遲變長、部署成本高昂。如何在保持復雜問題解決準確性的同時，避免在簡單任務上「空轉」、在復雜任務上高效「運轉」，成為 LLM 走向實用化的一大關鍵挑戰。

如今，快手 KwaiKAT 團隊與南京大學劉佳恒老師 NJU-LINK 實驗室、張煜群教授實驗室 ARiSE合作重磅推出HiPO（Hybrid Policy Optimization）框架，為 LLM 裝上了智能的「思考開關」。該框架通過創新的混合數據冷啟動與混合強化學習獎勵系統，使模型能夠自主、動態地決策何時該啟動詳細推理（Think-on），何時該直接給出答案（Think-off）。

這不僅顯著提升了推理效率，更在多個核心基準測試上實現了準確率的同步提升，為構建高效、實用的下一代推理大模型提供了解決方案。

• 論文鏈接：https://arxiv.org/abs/2509.23967
• 項目鏈接：https://huggingface.co/Kwaipilot/HiPO-8B

困境之源：LLM 的「思考」代價與「過度思考」頑疾

大語言模型在復雜認知任務上的巨大成功，很大程度上歸功于鏈式思考（CoT） 推理范式的引入。讓模型像人一樣「一步一步想問題」，極大地提升了其在數學、編程、科學問題解決等領域的表現。然而，這套強大的推理機制也帶來了「認知慣性」：模型傾向于對所有問題都「一視同仁」地進行深度推理。

• 效率與成本的矛盾：始終生成冗長的推理軌跡是低效的。它直接轉化為極高的 Token 使用量，意味著更慢的響應速度（延遲）和更昂貴的 API 調用或自建推理成本。在追求交互體驗和成本控制的真實應用場景中，這成為了一個致命的短板。
• 「過度思考」的普遍性：近期多項研究都明確指出，LLM 存在普遍的過度思考現象。即使是最先進的模型，也常常在簡單問題上「小題大做」，生成大量冗余推理步驟，造成了計算資源的巨大浪費。在復雜問題上，模型也常常出現反復冗余思考的現象，導致回答出錯。

現有的解決方案試圖緩解這一問題，但各有局限：

• 基于訓練的自適應推理：通過強化學習（RL）引入長度懲罰或簡潔性獎勵，或通過監督微調（SFT）偏好更短的推理。但這類方法信號粗糙，可能因單調的 「縮短」激勵而損害模型處理難題的能力。
• 外部控制：通過精心設計的提示詞或動態指令來限制推理步驟。這種方法靈活但依賴人工設計，難以規?；曳夯芰Υ嬉伞?/li>
• 事后優化：在推理鏈生成后進行剪枝或重構。這屬于「事后補救」，無法從根源上改變模型的思考模式。

核心問題在于，缺乏一個原則性的機制，來精細地平衡準確性、回答效率之間的權衡，讓模型學會「具體問題，具體分析」。

HiPO 破局之道：雙輪驅動的「智能思考開關」

HiPO 框架的核心思想是將「是否思考」的決策權交給模型自身，并通過系統性的訓練方法，確保其決策的智能性與平衡性。其創新性主要體現在兩大核心組件上：

組件一：混合數據冷啟動—— 為模型裝上「智能思考開關」

要讓模型學會選擇，首先需要讓它見識過「思考」和「不思考」兩種模式下的高質量回答是什么樣的。HiPO 設計了一套精密的自動化數據構建流程，并使用混合數據進行冷啟動。

1.數據收集與分類：研究團隊整合了多個高質量的公開及專有數學與代碼推理數據集（如 AM-Thinking-v1-Distilled, AceReason-Math, II-Thought-RL, Skywork-OR1-RL-Data），構建了一個高質量的訓練語料庫。

2.雙模式響應生成與優選：對于每個問題，使用一個強大的推理模型（如 DeepSeek-V3）分別生成 N 個「Think-on」（帶推理）和 N 個「Think-off」（直接回答）的響應。然后，自動驗證所有回答的正確性。

• 關鍵優選策略：比較兩種模式的通過率（Pass Rate）。如果「Think-on」模式的通過率顯著高于「Think-off」，則選擇「Think-on」模式；反之則選擇 「Think-off」。特別巧妙的是，當兩種模式通過率相差無幾（低于閾值 δ）時，策略會傾向于選擇「Think-off」模式。這一設計直接鼓勵模型在深度思考不能帶來明顯收益時，優先選擇更簡潔的回答，從數據源頭注入效率意識。
• 最短正確響應：在獲勝的模式下，選擇最短的正確響應作為最終樣本，進一步強化簡潔性。

3.引入模式解釋信號：為了強化模型對模式選擇的理解，HiPO 還引入了一個輔助解釋信號。對于每個優選出的問答對，會使用 DeepSeek-V3 生成一段理由（Justification），解釋「為什么這個問題適合（或不適合）進行深度推理」。這為模型提供了寶貴的元認知信號，幫助其將模式選擇與問題內在的復雜性對齊。

這套管道最終產出的數據，每條都包含了問題、最終回答、以及關于思考模式的理由。在這些數據上對模型進行冷啟動，使得模型初步具有了「智能思考」的能力。

組件二：混合強化學習獎勵系統 —— 精細化引導模型的「決策天平」

有了高質量的數據進行「冷啟動」（Cold-Start）訓練后，HiPO 通過一個設計精巧的混合強化學習（RL）階段，對模型進行微調，使其決策能力臻于完善。該獎勵系統的核心目標是防止模型過度依賴看似更可靠的「Think-on」模式，實現真正的自適應。

1.基礎獎勵：每個生成的回答會根據其答案正確性（ACC）和格式正確性（FORMAT）獲得一個基礎獎勵分。

2.偏差調整機制 —— 防止「思考」慣性：這是 HiPO 的一個關鍵創新。由于 「Think-on」模式通常更準確，模型在 RL 過程中容易產生偏向，無論問題難易都選擇「思考」。為了解決這一問題，HiPO 引入了動態的偏差調整機制。

• 它會計算「Think-on」模式響應的平均獎勵，然后為「Think-off」模式設定一個偏置項（bias_off），該偏置項是「Think-on」平均獎勵的一個比例（由 ω 控制，通常設為 0.01）。
• 當「Think-off」模式的性能不顯著優于「Think-on」，但差距在一定范圍內時，會啟動調整，適當提升「Think-off」模式的評估得分。
• 這一機制有效防止了模型通過「無腦」選擇冗長推理來獲取獎勵的投機行為，確保了訓練穩定性，并維護了深度與效率之間的 intended balance。

3.混合優勢函數 —— 雙重監督：HiPO 設計了兩個獨特的優勢（Advantage）函數來提供更精細的指導信號：

• 評判優勢（A_judge）：關注于模式選擇的合理性。它結合了「所選模式的全局平均優勢」和「當前響應在其模式內的相對質量」，確保模型選擇某個思考模式的理由（即之前生成的 Justification）與其實際表現一致。
• 回答優勢（A_answer）：聚焦于回答本身的質量。它在同一思考模式內進行局部歸一化，鼓勵模型在既定模式下生成更好的回答，而不與模式選擇的偏好混淆。

最終，這兩個優勢信號被分別賦予給回答中對應的「理由」部分和「答案」部分的每個令牌，實現令牌級別的精細化優化。整個 RL 過程采用類似 PPO 的算法，在最大化期望獎勵的同時，約束策略更新幅度，防止偏離太遠。

實驗結果：不僅更快，而且更準

HiPO 在基于 Qwen3 系列模型（如 8B 參數版本）的實驗中，取得了令人矚目的成果。在 AIME2024/2025、HumanEval、LiveCodeBench（v6）、MATH-500、GPQA-Diamond 等多個權威基準測試上，與多種基線方法進行了全面對比，并進行了充分的消融實驗。

• 顯著提升效率：與僅使用「Think-on」數據訓練的模型相比，最終HiPO 模型在平均令牌長度上減少了 30%，思考率（RatioT）降低了 37%。這意味著模型在處理大量問題時，能智能地跳過不必要的推理，直接輸出答案，帶來了實實在在的成本和延遲收益。
• 同步提升準確率：更令人驚喜的是，HiPO 在實現效率飛躍的同時，平均準確率提升了 6.3%。這證明其自適應機制不僅沒有損害性能，反而通過優化決策，讓模型在難題上更「專注」地思考，在簡單題上更高效地回答，實現了雙贏。
• 超越現有方法：實驗表明，HiPO 在準確性和效率的綜合表現上，優于 AdaptThink、AutoThink 等現有的自適應推理方法。

動態決策分析：研究團隊還深入追蹤了模型在訓練和推理過程中的行為演變。

• 如上圖 (a) 所示，隨著 RL 訓練的進行，模型激活「Think-on」和「Think-off」的頻率差距逐漸縮小，從初期的 89.5% 降至最終的 53.1%，說明模型確實學會了更精細地切換模式。
• 上圖 (b) 顯示，在不同數據集上，模型的思考模式激活率與任務特性高度相關。在 AIME2024、LiveCodeBench 等需要強推理的任務上，「Think-on」率始終保持在 70% 以上；而在 HumanEval 等相對簡單的代碼任務上，“Think-on” 率則隨訓練明顯下降，體現了良好的任務適應性。

• 上圖 (a) 和上圖 (b) 清晰地展示了 RL 訓練過程中以及在不同數據集上，模型輸出令牌數量的持續下降趨勢，直觀反映了 HiPO 在提升效率方面的有效性。

強泛化性：HiPO 的成功不僅在 Qwen3-8B 上得到驗證，在 Qwen3-1.7B 和 Qwen3-32B 等不同規模的模型上也展現出一致的性能提升，證明了其方法的普適性。

未來展望：HiPO 如何重塑高效 LLM 生態

HiPO 框架的提出，不僅僅是一項技術突破，更是為 LLM 的發展方向提供了一個重要的思路轉變：從一味追求「更強思考」到追求「更智能地思考」。

1. 推動 LLM 實用化落地：對于需要大規模部署 LLM 的應用（如搜索引擎、智能客服、代碼助手），HiPO 能直接降低計算成本和響應延遲，使高性能 LLM 服務變得更加「親民」。
2. 為模型輕量化提供新路徑：通過讓模型學會「停止思考」，可能在保持相當性能的前提下，為模型壓縮和蒸餾開辟新的可能性。
3. 增強模型的「元認知」能力：HiPO 訓練模型對自身認知過程進行監控和決策，這是向具備更高層次智能的 AI 系統邁出的重要一步。

結語

當大語言模型陷入「為思考而思考」的認知慣性時，其巨大的潛力被低效的運作方式所束縛?？焓峙c南大團隊的 HiPO 框架，如同一位高明的教練，不是粗暴地限制模型的「思考」，而是教會它判斷「何時該深思熟慮，何時可一擊即中」。

這項研究巧妙地平衡了推理的「質」與「效」，為構建真正高效、可靠、適用于真實世界的下一代人工智能助手奠定了堅實的基礎。在 LLM 競速發展的下半場，「智能效率」 或許將是比「暴力計算」更重要的決勝籌碼。

目前，HiPO 的相關模型和資源已在Hugging Face 平臺開源，供社區研究和使用。