一句话概括

这篇论文提出 SwAP（Step-wise Adaptive Penalization）：不再粗暴地惩罚整条长推理链，而是判断每个推理步骤对正确答案的贡献，重点删除低价值步骤，保留真正推动答案的关键步骤。(arXiv)

1. 它想解决什么问题？

现有推理模型经常出现 Overthinking：

• 已经接近答案，还在反复验证；
• 重复改写相同结论；
• 走很多没有贡献的分支；
• 推理越长，成本越高，但准确率未必提高。

以往基于 RL 的方法通常对整条回答施加长度惩罚：

$R = R_{\text{correct}}-\lambda L$

问题是，这相当于告诉模型：

只要写得长，就要扣分。

但一条长推理中可能同时存在：

• 必须保留的关键推导；
• 可以删除的重复检查。

统一惩罚容易把两者一起压缩，导致准确率下降。(arXiv)

2. SwAP 的核心思想

SwAP 不问：