250多篇论文，上海AI Lab综述推理大模型高效思考
最近，像 OpenAI o1/o3、DeepSeek-R1 这样的大型推理模型（Large Reasoning Models，LRMs）通过加长「思考链」（Chain-of-Thought，CoT）在推理任务上表现惊艳。
但随之而来的是一个日益严重的问题：它们太能「说」了！生成的推理过程往往充斥着冗余信息（比如反复定义）、对简单问题过度分析，以及对难题的探索浅尝辄止。
正如 Qwen2.5-32B-Instruct 回答「3 的平方是多少」只需要 30 个 token，而它的 LRM 版本 QwQ-32B 却能滔滔不绝地输出 1248 个 token 来反复验证。
这种低效不仅拖慢了模型训练和推理速度，也给实际应用（如智能体系统）带来了巨大挑战。莎士比亚说：「简洁是智慧的灵魂（Brevity is the soul of wit）」。在 LRM 时代，我们提出「效率是智慧的精髓（Efficiency is the essence of intelligence）」。
一个真正智能的模型，应该懂得何时停止不必要的思考，明智地分配计算资源（token），优化求解路径，用优雅的精确性平衡成本与性能。
上海AI Lab联合 9 家单位，总结超过 250 篇相关论文，深入探讨了当前提升 LRMs 思考效率的研究，聚焦于这个新范式下的独特挑战。
论文标题：A Survey of Efficient Reasoning for Large Reasoning Models: Language, Multimodality, and Beyond
论文链接：https://arxiv.org/pdf/2503.21614
代码仓库：https://github.com/XiaoYee/Awesome_Efficient_LRM_Reasoning
图表 1：综述的主要结构，分类章节，以及未来重要的研究方向
思考效率：定义、常见模式与挑战
在深入探讨方法之前，我们先明确什么是思考效率，看看 LRMs 通常在哪些方面表现「低效」，以及提升思考效率面临哪些独特挑战。
思考效率的定义
我们从任务分布的角度定义推理效率。对于一个 LRM 模型，其在任务分布上的思考效率定义为：
其中，每个任务被形式化定义为
，其中
代表一个数据集，而
是对应的质量。
是模型在任务
上的质量（如准确率、创造力等），
是计算成本（如 FLOPs、生成 token 数等）。简单来说，提高效率要么提升表现 Q，要么降低成本 C。这个公式强调了性能与成本的权衡。
推理低效的常见模式
尽管长 CoT 有效，但 LRMs 常常表现出以下低效模式：
冗余内容：模型输出中充斥大量重复、冗余的文本（如反复复述问题），这些内容对最终答案帮助不大，却增加了计算成本。
过度思考简单问题：LRM 难以根据任务复杂度有效分配「思考预算」。即使是简单问题（如 2+3=?），也可能生成多轮冗余的验证步骤。
不连贯与次优推理：这类现象称为「欠思考」。模型频繁地切换思考方向，导致推理过程浅显、碎片化，增大了推理链的长度。
LRM 思考效率提升的独特挑战
提升 LRM 的推理效率面临一些新的、独特的挑战：
量化推理效用：难以评估推理链中每一步的实际贡献。这使得精确判断哪些部分可以压缩或删减变得困难，在不牺牲性能的前提下追求简洁成为一个微妙的平衡问题。
控制思考长度：长度控制一直是 LLM 的难题，在 LRM 中更显关键。简单的 token 级限制过于死板，无法适应推理的语义结构。如何让模型「思考得恰到好处」，既不太浅以致遗漏逻辑，也不太深以致浪费计算，仍是一个悬而未决的问题。
超越 Transformer 架构瓶颈：现有 LRM 大多基于 Transformer，其二次复杂度在处理数千甚至更多 token 的长推理链时成为严重瓶颈。开发能够处理长序列的新架构或高效近似方法至关重要。
跨任务泛化：不同任务需要不同的推理深度。单一的推理策略或长度策略难以适应所有任务。如何在保证跨领域鲁棒性的同时实现效率，是一个复杂挑战。
推理时如何更高效？
这一部分聚焦于在模型推理（生成答案）阶段提升效率的方法，主要有四类策略：
长度预算（Length Budgeting）
最直接的方法是明确限制计算资源。
整体预算：通过特定提示词或解码策略来控制总 token 数或思考步数。
分步预算：引入规划 token 来控制每步长度，或鼓励生成简洁的中间步骤。
动态预算：根据问题难度或模型置信度动态分配资源，或通过惩罚机制阻止不成熟的思考切换。
系统切换（System Switch）
借鉴人类思维的双系统理论（System1 快直觉，System2 慢审慎）。
核心思想：让模型根据任务情况在快速（类 System1）和慢速（类 System2）推理模式间切换，优化资源分配。
模型切换（Model Switch）
在不同复杂度的模型间分配计算任务。
核心思想：用小模型处理简单部分/草稿，大模型处理困难部分/验证，或根据任务动态选择最合适的模型。
并行搜索（Parallel Search）
提升 Best-of-N、Self-Consistency 等并行生成方法的效率。
核心思想：同时生成多个候选答案，但通过更智能的策略减少总体计算量。
通过微调学习高效推理
监督微调（SFT）是让模型学习遵循特定指令的常用方法。这一部分探讨如何通过 SFT 让 LRM 学会更高效地推理，主要分为两类：
推理链压缩（Reasoning Chain Compression）
核心思想：让模型学习生成更简洁、无冗余的推理链。
潜空间微调（Latent-Space SFT）
核心思想：用连续的隐藏状态（latent space）表示推理步骤，替代显式的 token 生成。
如何用强化学习塑造高效推理？
强化学习（Reinforcement Learning，RL）已被证明能有效引导 LLM 发展深度推理能力（如 DeepSeek-R1）。这自然引出了一个想法：能否用 RL 更直接、更直观地提升推理效率？目前的研究主要围绕如何通过 RL 策略减少或控制推理轨迹的 token 使用，同时保持性能。
带长度奖励的强化学习（Efficient RL with Length Reward）
核心思想：在 RL 的奖励函数中直接加入对长度的考量，通常是惩罚过长输出。
实现方式如下：
无长度奖励的强化学习（Efficient RL without Length Reward）
核心思想：不直接在奖励中加入长度项，而是通过改变 RL 框架或优化目标来间接实现效率。
从源头提升效率：预训练阶段的探索
这一部分着眼于在模型预训练阶段就融入高效设计的思路，旨在从根本上提升计算效率和性能。主要有三条路线：
潜空间预训练（Pretraining with Latent Space）
核心思想：使用连续表示（而非离散 token）作为预训练的基本单元。
核心思想：用计算复杂度低于 O(N²) 的注意力机制替代标准自注意力，以应对长 CoT 带来的长序列处理挑战。
核心思想：将预训练好的标准 Transformer 模型转换为线性循环结构（如 RNN 或 SSM），以提升部署效率。
未来方向：路在何方？
针对 LRM 高效思考的研究尚处早期，未来有许多激动人心的方向值得探索：
高效多模态与视频推理（Efficient Multimodal and Video Reasoning）
现状：CoT 推理在多模态领域（图像、视频）也显示出重要作用，但是其过度思考的问题非常严重，效率研究不足。
高效测试时扩展与无限思考（Efficient Test-time Scaling and Infinity Thinking）
现状：测试时扩展（增加思考时间/计算）是提升性能的直接方法，主要分并行采样（增宽）和顺序修正（加深）。
当前面临如下挑战：
并行：固定采样数对简单问题浪费计算，对复杂问题可能探索不足。 顺序：推理链可能无限延长（「无限思考」），带来巨大计算开销和管理难题。 平衡：如何高效地平衡搜索宽度和深度以优化延迟和资源？
高效且可信赖的推理（Efficient and Trustworthy Reasoning）
现状：长 CoT 给 LRMs 的可信赖性带来新挑战，包括安全性和可靠性。
当前面临如下挑战：
安全：推理过程中可能暴露敏感信息，即使最终答案安全。 可靠：长链更容易积累错误（幻觉），且 CoT 过程本身可能与模型内部实际「思考」不符（CoT 不忠实问题）。
构建高效推理应用（Building Efficient Reasoning Applications）
RAG：高效推理对动态、步进式检索与推理，以及根据需要调整检索链长度和数量至关重要。
Agent：LRM Agent 推理能力强，但计算开销大，限制了实时性。需要高效推理来降低延迟、成本，并缓解过度思考。
Tool learning：需要结合分层推理、早停、并行执行、动态查询路由等策略来提升调用外部工具的效率。
其他领域：编码、自动驾驶、医疗、具身智能等领域同样需要高效推理。
评估与基准（Evaluation and Benchmark）
现状：当前评估多集中于数学任务，比较准确率-token 权衡。
当前面临如下挑战：
需要更细粒度的指标来评估「过度思考」现象，区分有效推理和冗余步骤。 需要评估推理效率是否牺牲了通用智能（如创造力）。 缺乏专门用于衡量 LRM 过度推理倾向的基准。
