并非所有回合都同样困难：面向高效多轮推理的自适应思维预算

随着大语言模型推理性能趋于饱和，提升推理时的计算效率以缓解过度思考和冗长轨迹至关重要。现有方法多关注单轮场景，忽视了多轮推理中的序列依赖性。本文将其建模为多目标马尔可夫决策过程，提出 TAB（回合自适应预算）策略。该方法通过群相对策略优化训练，依据对话历史动态分配令牌预算，对简单回合节省资源，为关键难点预留空间。实验表明，TAB 在保持数学推理准确率的同时，较静态基线节省高达 35% 的令牌消耗。