R-4B：轻量多模态大模型，实现AI自适应思考，性能刷新纪录，已全面开源，赋能消费级AI。
原文标题：DeepSeek、GPT-5都在尝试的快慢思考切换，有了更智能版本，还是多模态
原文作者：机器之心
冷月清谈：
R-4B的核心创新在于其独特的两阶段训练策略：首先通过“双模退火（bi-mode annealing）”策略，让模型同时掌握思考与非思考能力的基础；接着基于此，利用“双模策略优化（Bi-mode Policy Optimization, BPO）”强化学习算法，使模型学会判别何时应该思考。这一4B量级的模型在OpenCompass榜单上表现卓越，超越了Keye-VL-8B等更大规模模型，并登顶多模态学术与推理榜单。更重要的是，R-4B的轻量化、低功耗特性使其能运行于消费级显卡上，适用于笔记本、智能座舱等边缘设备，已全面开源并快速部署，下载量破万。
怜星夜思：
2、R-4B是通过双模退火和BPO强化学习实现自适应思考的。这套机制在模型处理更复杂、更模糊的开放域问题时，是否仍然高效？或者说，在未来的AI研究中，除了这种“快慢思考切换”，还有哪些可能的方式能让模型更接近人类的思维模式？
3、AI能够“按需思考”听起来很智能，但这会不会带来一些新的问题？比如，如果AI能够决定何时“偷懒”不进行深度思考，我们在使用时如何确保它在关键时刻不会选择“偷懒”？这对AI的信任度会有什么影响？
原文内容
本研究由中科院自动化所和腾讯混元联合研发，团队成员包括 Qi Yang, Bolin Ni, Shiming Xiang, Han Hu, Houwen Peng, Jie Jiang
背景：多模态大模型的思考困境
当前，业界顶尖的大模型正竞相挑战“过度思考”的难题，即无论问题简单与否，它们都采用 “always-on thinking” 的详细推理模式。无论是像 DeepSeek-V3.1 这种依赖混合推理架构提供需用户“手动”介入的快慢思考切换，还是如 GPT-5 那样通过依赖庞大而高成本的“专家路由”机制提供的自适应思考切换。它们距离真正意义上的“智能思考”仍有距离。这些方案或将判断压力转移给用户，或受限于复杂的系统架构和高昂的部署成本。因此，研发一款轻量化、支持多模态且能实现更智能自适应思考的大模型，将为用户提供更加流畅的交互体验。
近期，由腾讯混元团队与中科院自动化所合作的一项最新研究推出 R-4B 多模态大模型，通过自适应思考（auto-thinking）机制，改变了这一现状，它让 AI 能像人类一样 “智能切换” 思维模式。简单问题直接响应，复杂问题深度推理，在最大化回答准确性的同时，最小化计算开销。
-
论文标题：R-4B: INCENTIVIZING GENERAL-PURPOSE AUTOTHINKING CAPABILITY IN MLLMS VIA BI-MODE ANNEALING AND REINFORCE LEARNING
-
论文链接：https://arxiv.org/pdf/2508.21113
这一 “按需思考” 的核心能力，为 4B 量级的多模态模型树立了全新的性能标杆，使其在评测性能指标上成功超越了 Keye-VL-8B、Kimi-VL-A3B-Thinking-2506 等更大规模的模型。
同时，R-4B 在权威基准 OpenCompass 榜单上取得了优异成绩。
-
登顶 OpenCompass 多模态学术榜单：在 20B 以内规模多模态大模型中，性能排名 Top 1！
-
位列 OpenCompass 多模态推理榜单开源榜首：在开源模型中，推理性能拔得头筹！
目前，该模型已在 GitHub 和 HuggingFace 上线，且支持 vLLM 快速部署。「消费级显卡即可运行，适用于笔记本电脑、智能座舱、智能家居等低功耗场景，支持垂直领域低成本微调。」截至目前下载量已破万，欢迎大家体验！
-
GitHub 代码仓库：https://github.com/yannqi/R-4B
-
Hugging Face 模型下载：https://huggingface.co/YannQi/R-4B
突破：R-4B 的自适应思考引擎
R-4B 的智慧之处在于其自适应思考能力：
-
遇到简单问题（简单实体识别、简易问答），它选择直接、高效地响应。
-
面对复杂任务（如数学计算、图表分析），它则自动切换到深度思考模式，生成详细的思考过程。
R-4B 的核心创新在于其独特的两阶段训练策略。为实现模型在通用领域的自适应思考，研究团队首先提出双模退火（bi-mode annealing）训练策略，促使模型同时掌握通用领域的思考与非思考能力。
该阶段可以理解为对模型进行 “思考” 启蒙，即同时喂给它两种范式数据：一种需要直接回答（非思考模式，像日常对话），另一种需要详细推理（思考模式，像解数学题）。通过这种训练，模型同时掌握了思考和非思考这两种响应模式，为后续的自适应思考模式训练打下坚实基础。该阶段的核心是通用领域推理和非推理模式的数据构建策略：针对客观题，用模型采样的答案一致性来衡量题目的难易程度；针对主观题目，用提示工程的方式去区分解决问题是否需要进一步思考。
-
推理模式数据：涵盖图表分析、逻辑推理等需多步推理的任务（如科学图解或数学问题）。
-
非推理模式数据：针对直接事实响应的查询（如实体识别或简单问答）。
经过退火训练，得到一个同时精通思考与非思考模式的基础模型 R-4B-Base ，为后续自适应思考强化训练奠定基础。基于此，团队开发了双模策略优化（Bi-mode Policy Optimization, BPO）强化学习算法。它无需依赖精心设计的奖励函数或特定数据，而是仅依赖基于规则的奖励信号，从数学数据出发，并可泛化到通用领域。其核心是混合双模 rollout 机制，通过强制模型在训练中同时探索思考模式和非思考模式轨迹，从而避免模型陷入对单一模式的响应偏好。在此基础上，通过同时奖励两种思考模式的策略，使模型自己学会判别何时应该思考。
性能表现：小模型，大能量
R-4B-RL 模型在多项公开基准测试中性能表现卓越，刷新了现有记录，其性能超过 Keye-VL-8B、Kimi-VL-A3B-Thinking-2506 等更大规模的模型。
更关键的是，R-4B-RL 在自适应思考模式下实现了推理效率的提升，在简单任务下模型无需消耗更多的 Token。这证明了 BPO 算法的有效性，即无需通用领域的强化学习数据或额外的奖励函数设计，模型也能实现自适应思考。
应用前景：从科研到产业的智能化浪潮
R-4B 的突破不止于技术，更开启了广阔应用场景：
-
应用智能 ：在日常问答分析中，自动切换简单查询（如文档内容提取）和复杂推理（如图表分析）的思维模式，提升自动化处理效率。
-
科学研究 ：在处理科学图表时，R-4B 的深度推理模式可解析多步关系，精准解读数据，提高研究效率。
-
消费级 AI ：边缘设备部署中，R-4B 凭借更少的参数和自适应思考模式降低延迟和能耗，适用于即时问答系统。
(1) 文档内容提取（简单查询）
(2) 图表分析（复杂推理）
结语：自适应思考，探索 AI 发展新道路
从双模退火训练到 BPO 优化，R-4B 不仅解决了 MLLMs 的思考困境，更在小尺寸模型上探索了自适应思考的可行性 。自适应思考不仅是技术优化，更是对效率与普惠平衡的追求。在 AI 计算与推理成本飙升的今天，R-4B 的轻量化、智能化设计，为大模型可持续发展注入绿色动力。
R-4B 模型已全面开源，支持 vLLM 高效推理。下载量火速破万，诚邀体验与共建！
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com