别再一刀切了！DAST 让推理模型学会"看菜下饭"——简单问题短思考，复杂问题长推理 🍽️

核心判断：当前所有"推理效率"方法都在犯同一个错误——把简单问题和复杂问题当成一回事来治。要么一刀切地限制长度（牺牲难题性能），要么一刀切地鼓励长思考（浪费简单题的 token）。腾讯团队的 DAST 说：不对，模型应该像老厨师一样，看菜下饭——简单题快炒，复杂题慢炖。如果 DAST 是对的，整个"推理压缩"领域需要重写教科书。

1. 过思考：一个被低估的瘟疫 🦠

想象你问一个推理模型："2 + 3 等于几？"

它的回答可能是：

"让我仔细思考一下。2 是一个正整数，3 也是一个正整数。根据加法交换律，2 + 3 = 3 + 2。让我验证一下：从 2 开始数 3 个数字，3、4、5。所以答案是 5。为了确保正确，我用另一种方法验证：5 - 2 = 3，5 - 3 = 2。因此我确认 2 + 3 = 5。"

300 个 token，解决了一个 5 个 token 就能回答的问题。

这就是 overthinking（过思考）——慢思考模型在简单问题上生成冗余推理步骤的现象。

但当前的解决方案是什么？

核心矛盾：我们需要模型在简单问题上短，在复杂问题上长。但现有方法都是"一刀切"。

2. DAST 的核心洞察：难度 = 长度预算 💡

腾讯团队（Yi Shen 等）提出了一个优雅的解决方案：Difficulty-Adaptive Slow-Thinking（DAST）。

他们的 insight 简单到让人拍大腿：

不同难度的问题，天然需要不同长度的推理链。为什么不把"问题难度"直接映射到"目标长度"？

2.1 Token Length Budget (TLB)

DAST 首先定义了一个问题难度量化指标：Token Length Budget（TLB）。

TLB 结合了两个信息：

1. Accuracy：该问题被正确解答的频率
2. Length distribution：正确解答该问题所需的 token 长度分布

直觉：如果一个问题所有人都用 50 token 就能做对，那它的 TLB 就是 50。如果另一个问题只有高手才能用 500 token 做对，那它的 TLB 就是 500。

2.2 长度感知奖励塑造

有了 TLB，DAST 设计了一个精巧的奖励机制：

关键：同一个"长回答"，对简单题是惩罚，对复杂题是奖励。模型学会了根据问题难度调整推理深度。

2.3 预算偏好优化

DAST 使用 SimPO（Simple Preference Optimization）进行训练。它构建了一个成对的偏好数据集：

• Preferred：长度接近 TLB、答案正确的回答
• Rejected：长度过长（简单题）或过短（复杂题）的回答

通过偏好优化，模型逐渐学会"看菜下饭"——简单题自动压缩，复杂题自动展开。

..... SimPO（Simple Preference Optimization）：一种无需参考模型的偏好优化算法。与 DPO 不同，SimPO 直接优化策略模型，使其对首选回答的似然度高于被拒绝的回答，同时保持与 Bradley-Terry 模型的理论一致性。

3. 数据说话：DAST 有多聪明？📊

核心指标

注意：DAST 在减少 token 使用的同时，保留了复杂问题的推理准确性。这不是"用准确率换效率"的零和博弈——这是真正的双赢。

与同类方法的对比

DAST 的训练复杂度低于 MRT（不需要设计 dense reward），但效果同样显著。它是一种更轻量、更直接的解决方案。

4. 为什么 DAST 比一刀切更合理？🧠

让我用一个比喻来说明：

一刀切的长度惩罚，就像是给所有员工规定"每天必须工作 8 小时，不准多也不准少"。结果是什么？简单任务的人磨洋工，复杂任务的人加班到半夜还没做完。

DAST 的难度自适应，就像是"按项目难度分配工时"——简单项目 2 小时搞定，复杂项目给你 2 周。每个人都恰到好处地投入。

从第一性原理看 DAST

DAST 的正确性可以从信息论角度理解：

• 简单问题的信息熵低，所需的"计算步骤"少
• 复杂问题的信息熵高，需要更多步骤来降低不确定性

一刀切的方法无视了这种信息熵差异。DAST 通过 TLB 显式建模了它。

..... 信息熵（Information Entropy）：度量随机变量不确定性的指标。在推理中，简单问题的后验概率分布更集中（低熵），复杂问题更分散（高熵）。DAST 的 TLB 本质上是对问题熵的一种代理度量。

5. 我的押注 💰

我赌 500 美元：到 2025 年底，至少两个主流推理模型（DeepSeek、Qwen、Kimi 或 OpenAI 的下一代产品）会集成类似 DAST 的难度自适应机制。

为什么？

1. 需求真实存在：过思考不是理论问题，是每天烧掉数百万美元 API 费用的实际问题。

2. 实现成本低：TLB 可以在训练前离线计算，DAST 只需要在现有偏好优化框架上加一个长度感知的奖励项。不需要新架构、不需要新数据。

3. 用户价值明确：简单问题响应更快（用户体验↑），复杂问题答案更准（准确率↑）。这是产品经理最爱的"既要又要"。

4. 理论优雅：TLB 把"难度"和"长度"两个概念统一起来，符合人类直觉——我们不会用证明费马大定理的篇幅来解释 2+3=5。

敌人是谁？

• "推理越长越聪明"的迷思信奉者——你的模型在简单题上写小说，不是聪明，是浪费。
• 盲目跟风 MRT/LIMR 的研究者——DAST 证明了，有时候简单的方法比复杂的框架更有效。
• 认为"所有问题都值得同样多思考"的哲学家——不，你的时间（token）有限，请花在刀刃上。

6. 局限性与未来 🔮

DAST 不是银弹：

1. TLB 的计算依赖训练数据：如果训练数据的难度分布与测试数据不匹配，TLB 可能失效。

2. 难度是连续的，TLB 是离散的：真实世界的难度是光谱，不是几个桶。更细粒度的 TLB 设计值得探索。

3. 与其他技术的兼容性：DAST + MRT 的 progress reward 能否叠加？DAST + SSR 能否联合使用？这些都是开放问题。

但无论如何，DAST 提出了一个被忽视的根本问题：推理效率不应该是一刀切的，而应该是难度自适应的。 这个问题一旦被提出，就再也无法被忽视。

论文详情

#CrushAI #BetWriting #智柴系统实验室 🎙️