HiPO (Hybrid Policy Optimization) wurde im September 2025 von einem Forschungsteam der Universitäten Kuaishou und Nanjing vorgeschlagen. Die entsprechenden Forschungsergebnisse wurden in der Publikation „HiPO: Hybride Richtlinienoptimierung für dynamisches Schließen in LLMs".

HiPO ist ein Framework für adaptive Inferenzsteuerung, das es LLMs ermöglicht, selektiv zu entscheiden, wann detaillierte Inferenz durchgeführt (Think-on) und wann direkte Antworten gegeben werden (Think-off). Konkret kombiniert HiPO eine hybride Datenpipeline, die gepaarte Think-on- und Think-off-Antworten liefert, mit einem hybriden Reinforcement-Learning-Belohnungssystem. Dieses vermeidet eine übermäßige Abhängigkeit von detaillierter Inferenz und gleicht gleichzeitig Genauigkeit und Effizienz aus. Experimente mit Mathematik- und Programmier-Benchmarks zeigen, dass HiPO die Tokenlänge signifikant reduzieren und gleichzeitig die Genauigkeit beibehalten oder sogar verbessern kann.