Entrenar un único modelo para responder sí/no en menos de 50 tokens y también resolver una prueba AIME de 48 pasos suena directo. Un nuevo artículo de Universiteit van Amsterdam — "Fusion Training for Mathematical Generalization in Large Language Models" — muestra que no es así. Los investigadores Congfeng Cao, Pengyu Zhang y Jelke Bloem barrieron cronogramas de entrenamiento de Thinking Mode Fusion (TMF) y proporciones de datos de pensamiento a no-pensamiento. Su hallazgo central: agregar supervisión de no-pensamiento degrada la precisión del modo pensamiento. Los dos modos entran en conflicto, y el cronograma óptimo cambia con la proporción de datos.

TMF ya está en producción. El pipeline de cuatro etapas de Qwen3 utiliza la fusión del modo pensamiento como su tercera etapa, mezclando datos de chain-of-thought con datos de instruction-tuning en un único checkpoint. El beneficio es obvio: un único modelo, un token de control en el prompt (<think> o \no_think), y sin necesidad de servir dos pesos separados. El artículo Fusion Bench es el primer estudio sistemático de lo que cuesta la receta de entrenamiento en diferentes cronogramas y proporciones.

La asimetría es el resultado central. Aumentar la proporción de datos de no-pensamiento no agrega una nueva capacidad — erosiona la existente. Los autores cuantifican una correlación negativa: cuanto más refuerza respuestas directas cortas, más debilita el razonamiento en cadena. Tres cronogramas de entrenamiento probados contra múltiples proporciones de pensamiento a no-pensamiento no mostraron ninguna receta universal. El cronograma óptimo varía con la proporción.

Case Western y Meta AI publicaron confirmación concurrente ("Demystifying Hybrid Thinking," arXiv 2510.12680). Probando Qwen3-8B en MATH500, el modo pensamiento alcanza 92.82% en 4.384 tokens; el modo no-pensamiento cae a 82.90% en 958 tokens. En AIME24 la brecha se amplía a 39 puntos: 63.33% pensamiento versus 24.00% no-pensamiento, con no-pensamiento aún consumiendo 4.062 tokens — más del doble del baseline pure-instruct de 1.729. El razonamiento se filtra: incluso con \no_think configurado, Qwen3-8B emite 646 tokens "wait" en MATH500, versus cero de Qwen2.5-7B-Instruct.

Esa receta de entrenamiento optimizada reduce la salida de no-pensamiento de 1.085 a 585 tokens en MATH500 y ocurrencias de "wait" de 5.917 a 522. La receta requiere cuatro elementos: 140.000+ muestras de entrenamiento para cambio de modo estable, respuestas de pensamiento y no-pensamiento de preguntas diferentes (datos pareados dañan la controlabilidad), una inclinación moderada hacia datos de no-pensamiento, y un cronograma de dos fases — solo pensamiento primero, luego fusión. Cronograma de dos fases versus mezcla aleatoria en 20k muestras: la salida de no-pensamiento se reduce de 2.214 a 870 en MATH500 y de 5.654 a 1.847 en AIME24.

La tensión fundamental permanece sin resolver. Fusion Bench cuantifica el trade-off; el trabajo CWRU/Meta lo minimiza pero no puede eliminarlo. Los modelos híbridos no pueden lograr una separación completa de modos. Enrutar consultas simples a través del modo no-pensamiento después del entrenamiento con proporciones agresivas de pensamiento deja ganancias de latencia y costo sobre la mesa. El modo no-pensamiento no se ha desprendido completamente de su carácter de razonamiento.

Para equipos que eligen entre checkpoints unificados y modelos separados de pensamiento/no-pensamiento: las decisiones en tiempo de entrenamiento sobre proporción de datos y cronograma determinan directamente su piso de costo de no-pensamiento. Un modelo unificado entrenado con proporción ingenua 1:1 sin cronograma en fases emitirá tokens de razonamiento en consultas triviales. Si usted no controló la receta de entrenamiento, trate las longitudes de salida de no-pensamiento como valores medidos, no suposiciones.