Switch-Reasoner：通过强化学习在多任务混合中学会何时思考

多模态大语言模型通常遵循固定的“先思考后回答”范式，这在异构多任务场景中效率低下，因为简单输入无需显式推理，而困难输入则受益匪浅。针对后训练中因 rollout 不平衡导致模型趋向极端行为的问题，本文提出 Switch-Reasoner。该框架基于 GRPO，将思考视为虚拟工具调用，使模型能自适应选择直接回答或显式推理。通过引入双层调节机制平衡模式使用并提供样本级监督，实验表明该方法在保持高性能的同时减少了不必要的推理，实现了更佳的准确率 - 效率权衡。