文章总结主要内容本文系统性地综述了大型语言模型（LLMs）高效推理的研究进展，聚焦于解决推理过程中因冗长推理链导致的计算效率问题（即“过度思考”现象）。作者将现有方法分为三类：基于模型的高效推理：通过强化学习（RL）或监督微调（SFT）优化模型生成更简洁的推理链。基于推理输出的高效推理：在推理过程中动态压缩或缩短推理步骤，例如利用潜空间表示或动态推理范式。基于输入提示的高效推理：通过提示设计（如长度约束或难度路由）引导模型生成更高效的推理。此外，文章还讨论了高效训练数据构建、小模型推理能力、评估基准等方向，并维护了一个开源仓库以持续更新相关研究。创新点系统性分类框架：首次提出了高效推理方法的结构化分类，涵盖模型、输出和输入三个维度。过度思考现象分析：深入剖析了长推理链导致的计算开销问题，并提出多种缓解策略。多维度优化方法：结合模型优化、推理过程压缩和提示工程，为高效推理提供了全面解决方案。开源资源支持：提供了持续更新的开源仓库（https://github.com/Eclipsess/Awesome-Efficient-Reasoning-LLMs），方便研究者跟踪最新进展。