論文標題：Controlling Thinking Speed in Reasoning Models

作者團隊：浙江大學、阿里巴巴雲、浙江工業大學

發佈時間：2025年10月30日

👉一鍵直達論文

👉Lab4AI大模型實驗室論文閲讀

✅Lab4AI平台提供AI導讀和AI翻譯等工具，輔助論文閲讀。您還可以投稿復現這篇論文~

核心亮點

本研究的核心亮點集中在三大突破性貢獻：

• 其一，首次揭示LRMs存在快慢思維模式的內在切換機制，發現“To”“Okay”等特定開頭詞可分別觸發快速、慢速思維，為思維控制提供了天然切入點；
• 其二，基於表示工程技術首創思維速度控制方法，通過讀取快慢思維樣本的PCA導向向量，並向模型隱藏狀態注入該向量，實現推理時的縮放效應；
• 其三，設計自適應動態推理策略，藉助Jensen-Shannon散度量化推理難度、滑動窗口檢測高難度片段，再通過動態閾值機制自動在簡單段加速、複雜段減速，且方法無需訓練即可嵌入現有部署系統，兼顧創新性與實用性。

核心結果

研究在多模型、多基準上驗證了方法有效性。

1. 實驗以DeepSeek-R1-Distill-Qwen-7B/32B、QwQ-32B等為測試模型，在AIME24、MATH-500等基準上對比預算強制法等基線；
2. 思維速度控制方面，所有LRMs加速（α>0）時準確率較基線平均提升8.2-11.4%，減速（α<0）時平均提升0.51-1.46%；自適應控制表現更優，相比原始LRMs，在將準確率提升1.26%的同時，減少8.56%的token使用量；
3. 此外，模型呈現明顯測試時縮放效應，隨響應長度增加（思維變慢），性能持續提升，驗證了思維速度調控的有效性與穩定性。