PaceReasoner：无需标注、从长推理中学习简短作答

PaceReasoner 是一个无需标注的测试时强化学习框架，用模型自身的长推理响应来提升其短模式准确率。两种模式共享同一可训练策略，通过渐进式置信度加权监督融合全响应与仅长响应的答案共识，并用行为奖励从鼓励短模式探索逐步转向与长答案一致，同时由比例控制器调节两模式平衡。在三个模型骨干和四个基准上，平均短模式准确率较基线提升 7.4–13.5 个百分点，平均每条响应少于 25 个推理 token。