Les grands modèles linguistiques (LLM) s’appuient de plus en plus sur le raisonnement en chaîne de pensée (Chain-of-Thought, CoT) afin d’améliorer leur précision sur des tâches complexes. Toutefois, générer systématiquement des traces de raisonnement longues s’avère inefficace, entraînant une utilisation excessive de jetons et une augmentation des coûts d’inférence. Ce papier présente une approche appelée HiPO (Hybrid Policy Optimization), un cadre de contrôle adaptatif du raisonnement permettant aux LLM de décider de manière sélective quand engager un raisonnement détaillé (Think-on) et quand répondre directement (Think-off). Plus précisément, HiPO combine une chaîne de traitement hybride de données, fournissant des réponses appariées en Think-on et Think-off, avec un système de récompense fondé sur une apprentissage par renforcement hybride, qui équilibre précision et efficacité tout en évitant une dépendance excessive au raisonnement détaillé. Des expérimentations menées sur des benchmarks mathématiques et de codage montrent que HiPO permet de réduire de manière significative la longueur des jetons tout en maintenant ou en améliorant la précision. Enfin, nous espérons que HiPO pourra devenir une approche structurée pour un raisonnement adaptatif efficace, contribuant ainsi au déploiement de modèles linguistiques orientés raisonnement dans des contextes réels sensibles aux ressources.