大規模言語モデル（LLM）は、複雑なタスクにおける精度向上のため、ますますChain-of-Thought（CoT）推論に依存している。しかし、常に長大な推論プロセスを生成するため、トークン消費量が増加し、推論コストが高くなるという非効率性が生じる。本論文では、適応的推論制御を可能にするフレームワーク「ハイブリッドポリシー最適化（HiPO）」を提案する。HiPOは、モデルが詳細な推論を行う（Think-on）べきタイミングと、直接回答する（Think-off）べきタイミングを適切に選択できるようにする。具体的には、Think-onとThink-offのペアレスポンスを提供するハイブリッドデータパイプラインと、精度と効率のバランスを保ちつつ、詳細な推論への過度な依存を回避するハイブリッド強化学習報酬システムを統合している。数学およびコード生成のベンチマークにおいて実施した実験の結果、HiPOはトークン長を大幅に削減しつつ、精度を維持あるいは向上させることを示した。本研究の成果により、HiPOがリソース制約のある実世界環境における推論指向型LLMの実用化を進めるための原理的かつ効率的なアプローチとなることを期待する。