CounterRoute 是一种在线强化学习框架，直接在原始双模检查点上学习路由决策和模式条件响应，省去特定的 SFT 预热。框架通过配对当前策略的反事实 rollout，只把跨模信用分配给路由标记，而在同一模内部使用 GRPO 训练响应标记。训练初期采用配对‑到‑自路由课程：强制两种模式各生成一次 rollout，随后逐步增加自路由更新，以稳定探索并提升自主路由能力。实验在九个基准上比较了启发式和自适应路由方法，CounterRoute 在准确率和计算效率之间取得更佳平衡。相较于始终思考的检查点，宏观平均准确率提升的同时，生成的 token 数平均下降 51%（Qwen3‑8B）和 41%（Qwen3‑14B）。在指令遵循和常识推理等直接回答表现强的任务上，思考比例降至 1% 左右，且响应质量进一步提升。尽管仅在数学和指令跟随数据上训练，路由行为和响应质量仍能迁移到未见的编码、科学、知识和常识基准。点评