Controlling Reasoning Effort in LLMs — 如何让LLM像GPT

• 推理模型的核心是输出中间推理轨迹（reasoning trace），而非直接给出答案，这与传统LLM有本质区别。这意味着开发者需要为模型设计支持逐步推理的架构和训练流程。
• 通过强化学习与可验证奖励（RLVR）训练，仅基于最终答案的正确性提供奖励信号，模型就能自发学会自我纠错和回溯（即“啊哈时刻”）。这提示开发者，训练推理模型时可以忽略中间轨迹，专注于结果监督。
• 推理努力度调节本质上是推理时计算扩展（inference scaling）的一种形式，通过控制输出token长度或多次采样（如self-consistency）来平衡性能与成本。开发者应根据任务复杂度动态选择努力度，以优化推理效率。

原文：Controlling Reasoning Effort in LLMs · 作者 Sebastian Raschka