Treinar um único modelo para responder sim/não em menos de 50 tokens e também resolver uma prova AIME de 48 passos parece direto. Um novo artigo da Universiteit van Amsterdam — "Fusion Training for Mathematical Generalization in Large Language Models" — mostra que não é. Os pesquisadores Congfeng Cao, Pengyu Zhang e Jelke Bloem exploraram cronogramas de treinamento de Thinking Mode Fusion (TMF) e proporções de dados de raciocínio para não-raciocínio. Sua descoberta central: adicionar supervisão de não-raciocínio degrada a precisão do modo raciocínio. Os dois modos entram em conflito, e o cronograma ideal muda com a proporção de dados.

TMF já está em produção. O pipeline de quatro estágios do Qwen3 usa fusão de modo raciocínio como seu terceiro estágio, misturando dados de chain-of-thought com dados de instruction-tuning em um único checkpoint. O benefício é óbvio: um único modelo, um token de controle no prompt (<think> ou \no_think), e sem necessidade de servir dois pesos separados. O artigo Fusion Bench é o primeiro estudo sistemático do custo da receita de treinamento em diferentes cronogramas e proporções.

A assimetria é o resultado central. Aumentar a proporção de dados de não-raciocínio não adiciona uma nova capacidade — ela corrói a existente. Os autores quantificam uma correlação negativa: quanto mais você reforça respostas diretas curtas, mais você enfraquece o raciocínio em cadeia. Três cronogramas de treinamento testados contra múltiplas proporções de raciocínio para não-raciocínio não mostraram nenhuma receita universal. O cronograma ideal varia com a proporção.

Case Western e Meta AI publicaram confirmação concomitante ("Demystifying Hybrid Thinking," arXiv 2510.12680). Testando Qwen3-8B em MATH500, modo raciocínio atinge 92.82% em 4.384 tokens; modo não-raciocínio cai para 82.90% em 958 tokens. Em AIME24 a diferença aumenta para 39 pontos: 63.33% raciocínio versus 24.00% não-raciocínio, com não-raciocínio ainda consumindo 4.062 tokens — mais do que o dobro do baseline pure-instruct de 1.729. O raciocínio vaza: mesmo com \no_think ativado, Qwen3-8B emite 646 tokens "wait" em MATH500, versus zero de Qwen2.5-7B-Instruct.

Essa receita de treinamento otimizada reduz a saída de não-raciocínio de 1.085 para 585 tokens em MATH500 e ocorrências de "wait" de 5.917 para 522. A receita requer quatro elementos: 140.000+ amostras de treinamento para alternância de modo estável, respostas de raciocínio e não-raciocínio de questões diferentes (dados emparelhados prejudicam a controlabilidade), uma inclinação moderada para dados de não-raciocínio, e um cronograma de duas fases — apenas raciocínio primeiro, depois fusão. Cronograma de duas fases versus mistura aleatória em 20k amostras: saída de não-raciocínio encolhe de 2.214 para 870 em MATH500 e de 5.654 para 1.847 em AIME24.

A tensão fundamental permanece irresolvida. Fusion Bench quantifica o trade-off; o trabalho CWRU/Meta o minimiza mas não pode eliminá-lo. Modelos híbridos não podem alcançar separação total de modos. Rotear consultas simples pelo modo não-raciocínio após treinamento com proporções agressivas de raciocínio deixa ganhos de latência e custo sobre a mesa. O modo não-raciocínio não se despojou completamente de seu caráter de raciocínio.

Para equipes escolhendo entre checkpoints unificados e modelos separados de raciocínio/não-raciocínio: decisões em tempo de treinamento sobre proporção de dados e cronograma determinam diretamente seu piso de custo de não-raciocínio. Um modelo unificado treinado com proporção 1:1 ingênua e sem cronograma em fases emitirá tokens de raciocínio em consultas triviais. Se você não controlou a receita de treinamento, trate comprimentos de saída de não-raciocínio como valores medidos, não suposições.