本研究由中科院自動化所和騰訊混元聯合研發，團隊成員包括 Qi Yang, Bolin Ni, Shiming Xiang, Han Hu, Houwen Peng, Jie Jiang。
背景：多模態大型模型的思考困境
目前，業界頂尖的大型模型正競相挑戰「過度思考」的難題，也就是無論問題簡單與否，它們都採用「始終啟動思考」（always-on thinking）的詳細推理模式。無論是 DeepSeek-V3.1 這種依賴混合推理架構，提供需要使用者「手動」介入的快慢思考切換，還是像 GPT-5 那樣透過依賴龐大而高成本的「專家路由」機制提供自適應思考切換。它們距離真正意義上的「智慧思考」仍有距離。這些方案不是將判斷壓力轉移給使用者，就是受限於複雜的系統架構和高昂的部署成本。因此，研發一款輕量化、支援多模態且能實現更智慧自適應思考的大型模型，將為使用者提供更流暢的互動體驗。
近期，由騰訊混元團隊與中科院自動化所合作的一項最新研究推出了 R-4B 多模態大型模型，透過自適應思考（auto-thinking）機制，改變了這一現狀，它讓 AI 能像人類一樣「智慧切換」思維模式。簡單問題直接回應，複雜問題深度推理，在最大化回答準確性的同時，最小化計算開銷。
論文標題：R-4B: INCENTIVIZING GENERAL-PURPOSE AUTOTHINKING CAPABILITY IN MLLMS VIA BI-MODE ANNEALING AND REINFORCE LEARNING
論文連結：https://arxiv.org/pdf/2508.21113
這項「按需思考」的核心能力，為 4B 量級的多模態模型樹立了全新的效能標竿，使其在評測效能指標上成功超越了 Keye-VL-8B、Kimi-VL-A3B-Thinking-2506 等更大規模的模型。
同時，R-4B 在權威基準 OpenCompass 排行榜上取得了優異成績。
登頂 OpenCompass 多模態學術排行榜：在 20B 以內規模多模態大型模型中，效能排名第一！
位列 OpenCompass 多模態推理排行榜開源榜首：在開源模型中，推理效能拔得頭籌！
目前，該模型已在 GitHub 和 HuggingFace 上線，並支援 vLLM 快速部署。「消費級顯卡即可運行，適用於筆記型電腦、智慧座艙、智慧家居等低功耗場景，支援垂直領域低成本微調。」截至目前下載量已破萬。
GitHub 程式碼倉庫：https://github.com/yannqi/R-4B
Hugging Face 模型下載：https://huggingface.co/YannQi/R-4B
突破：R-4B 的自適應思考引擎
R-4B 的智慧之處在於其自適應思考能力：
遇到簡單問題（簡單實體識別、簡易問答），它選擇直接、高效地回應。
面對複雜任務（如數學計算、圖表分析），它則自動切換到深度思考模式，生成詳細的思考過程。
R-4B 的核心創新在於其獨特的兩階段訓練策略。為實現模型在通用領域的自適應思考，研究團隊首先提出雙模退火（bi-mode annealing）訓練策略，促使模型同時掌握通用領域的思考與非思考能力。
該階段可以理解為對模型進行「思考」啟蒙，即同時餵給它兩種範式資料：一種需要直接回答（非思考模式，像日常對話），另一種需要詳細推理（思考模式，像解數學題）。透過這種訓練，模型同時掌握了思考和非思考這兩種回應模式，為後續的自適應思考模式訓練打下堅實基礎。該階段的核心是通用領域推理和非推理模式的資料建構策略：針對客觀題，用模型採樣的答案一致性來衡量題目的難易程度；針對主觀題目，用提示工程的方式去區分解決問題是否需要進一步思考。
推理模式資料：涵蓋圖表分析、邏輯推理等需多步推理的任務（如科學圖解或數學問題）。
非推理模式資料：針對直接事實回應的查詢（如實體識別或簡單問答）。
經過退火訓練，得到一個同時精通思考與非思考模式的基礎模型 R-4B-Base，為後續自適應思考強化訓練奠定基礎。基於此，團隊開發了雙模策略優化（Bi-mode Policy Optimization, BPO）強化學習演算法。它無需依賴精心設計的獎勵函數或特定資料，而是僅依賴基於規則的獎勵訊號，從數學資料出發，並可泛化到通用領域。其核心是混合雙模 rollout 機制，透過強制模型在訓練中同時探索思考模式和非思考模式軌跡，從而避免模型陷入對單一模式的回應偏好。在此基礎上，透過同時獎勵兩種思考模式的策略，使模型自己學會判別何時應該思考。
效能表現：小模型，大能量
R-4B-RL 模型在多項公開基準測試中效能表現卓越，刷新了現有紀錄，其效能超過 Keye-VL-8B、Kimi-VL-A3B-Thinking-2506 等更大規模的模型。
更關鍵的是，R-4B-RL 在自適應思考模式下實現了推理效率的提升，在簡單任務下模型無需消耗更多的 Token。這證明了 BPO 演算法的有效性，即無需通用領域的強化學習資料或額外的獎勵函數設計，模型也能實現自適應思考。
應用前景：從科研到產業的智慧化浪潮
R-4B 的突破不止於技術，更開啟了廣闊應用場景：
應用智慧：在日常問答分析中，自動切換簡單查詢（如文件內容提取）和複雜推理（如圖表分析）的思維模式，提升自動化處理效率。
科學研究：在處理科學圖表時，R-4B 的深度推理模式可解析多步關係，精準解讀資料，提高研究效率。
消費級 AI：邊緣設備部署中，R-4B 憑藉更少的參數和自適應思考模式降低延遲和能耗，適用於即時問答系統。
(1) 文件內容提取（簡單查詢）
(2) 圖表分析（複雜推理）
結語：自適應思考，探索 AI 發展新道路
從雙模退火訓練到 BPO 優化，R-4B 不僅解決了 MLLMs 的思考困境，更在小尺寸模型上探索了自適應思考的可行性。自適應思考不僅是技術優化，更是對效率與普惠平衡的追求。在 AI 計算與推理成本飆升的今天，R-4B 的輕量化、智慧化設計，為大型模型永續發展注入綠色動力。