别过度思考：高效 R1 风格大推理模型综述
人工智能
2025-08-05 v1
摘要
最近，大推理模型（Large Reasoning Models, LRMs）因在处理复杂任务方面的卓越性能而逐渐成为研究热点。在此类模型中，DeepSeek R1 因其卓越的性能和开源特性而引起广泛关注，推动了 R1 风格大推理模型研究的进步。不同于传统大语言模型（Large Language Models, LLMs），这些模型通过强化学习引入长链式思维和自我反思等机制，在推理过程中增强了逻辑推理和决策能力。然而，随着这些模型的广泛应用，“过度思考”问题逐渐显现。具体而言，这些模型在生成答案时常构建过长的推理链，包含冗余或重复步骤，导致推理效率下降，甚至可能影响最终答案的准确性。为此，提出了 various 有效推理方法，旨在在不损失模型性能和推理能力的前提下，缩短推理路径。通过系统性地梳理高效推理方法的当前研究进展，我们基于单模型优化与模型协作两个视角将现有工作归类为两个主要方向：（1）单模型高效推理，侧重提高单个模型的推理效率；（2）模型协作高效推理，探索通过多个模型之间的协作优化推理路径。此外，我们维护了一个公开的 GitHub 仓库，跟踪高效推理方法的最新进展。
关键词
引用
@article{arxiv.2508.02120,
title = {Don't Overthink It: A Survey of Efficient R1-style Large Reasoning Models},
author = {Linan Yue and Yichao Du and Yizhi Wang and Weibo Gao and Fangzhou Yao and Li Wang and Ye Liu and Ziyu Xu and Qi Liu and Shimin Di and Min-Ling Zhang},
journal= {arXiv preprint arXiv:2508.02120},
year = {2025}
}