HiPO（Hybrid Policy Optimization）是由快手联合南京大学的研究团队于 2025 年 9 月提出的，相关研究成果发表于论文「HiPO: Hybrid Policy Optimization for Dynamic Reasoning in LLMs」。

HiPO 是一个用于自适应推理控制的框架，使 LLMs 能够选择性地决定何时进行详细推理（Think-on）以及何时直接响应（Think-off）。具体而言，HiPO 结合了一个混合数据管道，提供配对的 Think-on 和 Think-off 响应，以及一个混合强化学习奖励系统，该系统在平衡准确性和效率的同时避免过度依赖详细推理。在数学和编程基准测试中的实验表明，HiPO 可以显著减少令牌长度，同时保持或提高准确性。