DynamicMind：面向大语言模型的三模思维系统

一句话定位

提出 DynamicMind 框架，通过轻量级 Mind Router 动态选择快、常、慢三种思维模式，在零样本问答任务中实现性能与计算效率的自适应平衡。

小学生也能听懂

这篇论文发明了一个叫DynamicMind的“大脑开关”，让AI做题时能像人一样灵活选择快想、常想或慢想三种方式，自动挑最省力气又准的方法，又快又好地回答问题。

为什么值得记录

首次将双加工理论扩展为三模思维系统，保留 LLM 原生推理能力（normal mode），避免仅依赖 fast/slow 模式的局限性
提出 Thinking Density 指标，量化不同思维模式在准确率与 token 消耗之间的权衡，为模式选择提供数学依据
构建首个 Thinking Mode Capacity (TMC) 数据集，揭示问题类型与最优思维模式的映射关系
在 12 个数学、常识、科学 QA 基准测试中验证有效性，尤其在 out-of-domain 任务上展现强泛化能力

核心方法

定义三种思维模式：Fast（直觉式直接回答）、Normal（保留预训练原生能力）、Slow（基于 CoT 的深度分析）
通过特定 prompt 模板控制 LLM 思维行为：Fast 模式限制推理步骤，Slow 模式强制分解-质量-验证三步流程，Normal 模式使用最小指令
提出 Thinking Density 指标：E_m^k(q) = accuracy_m^k(q) / (avg.tok_m^k(q))^α，用于评估各模式在任务 q 上的综合效能
基于 Thinking Density 构建 TMC 数据集：对 39K 问题计算各模式密度，标注最优模式作为训练标签
设计 Mind Router：以 DeBERTaV3-base 为骨干，输入问题文本，输出最优思维模式预测
采用帕累托最优路由策略：最大化 Acc + α·Eff，确保在准确率与效率双目标上不被其他策略支配

关键结果

在 Llama-3.1-8B 上，DynamicMind 平均 Thinking Density 达 1.33，显著高于 CoT (0.27)、PBC (0.29) 和 TALE-EP (0.25)
在 Qwen-2.5-7B 上，DynamicMind 在 CommonsenseQA 中 token 消耗仅 51.84，比 Slow 模式减少 85% 以上，同时保持 79.41% 准确率
TMC 数据集分析显示：数学任务偏好 Normal/Slow 模式（>80%），常识任务偏好 Fast 模式（>60%），验证模式分工合理性
在 out-of-domain 任务（MMLU, ScienceQA）上，DynamicMind 平均准确率提升 2-5%，token 消耗降低 30-70%
Mind Router 训练后，三模动态系统在整体帕累托前沿上优于任一固定模式

局限与风险

Thinking Density 依赖多次采样（k=10）计算准确率与平均 token 数，构建 TMC 数据集成本较高
Mind Router 为独立轻量模型，需额外训练且引入推理延迟（虽远小于 LLM 调用开销）
当前仅支持单轮问答，未扩展至多轮对话或复杂规划任务
模式选择依赖问题文本，对隐式复杂度（如逻辑陷阱）识别能力有限

适合沉淀的概念

tri-mode-thinking-system, thinking-density-metric, mind-router, tmc-dataset, pareto-optimal-routing, zero-shot-question-answering, cognitive-inspired-prompting, dynamic-reasoning-depth

阅读注意

重点关注 Figure 3 和 4：展示 Llama/Qwen 在不同任务上三模式的准确率- token 消耗分布，是理解模式差异的核心
Appendix A 提供完整 prompt 模板，可复现 Fast/Normal/Slow 模式行为
Theorem 1 证明动态路由的帕累托最优性，是理论贡献的关键
Table 3 对比 MindRouter 与单一模式，体现动态切换的价值
Implementation Details 中 token 限制设置（Fast:128, Normal:2048, Slow:4096）影响模式行为边界

质量说明

采用来源：raw，raw/papers/2025/06/2506.05936.md
生成模型：LongCat-Flash-Chat
源材料判断：论文结构完整，方法描述清晰，实验充分，包含理论证明与消融分析，数据与代码承诺开源，材料可信度高。