超越正确性：混合思考多模态大模型的响应行为基准测试与对齐

Hybrid-thinking多模态大模型允许同一模型在深思熟虑推理和低延迟非思考推理之间切换。研究表明，仅靠正确性无法表征响应质量，因此引入了响应模式对齐概念，并提出了PatternEval基准（含2415个多模态提示），测试思维链泄漏、响应重复、逻辑矛盾和表演性推理等四个常见失败模式。实验发现，非思考推理失败率显著更高，造成模式间系统错位。基于此开发的PatternRM奖励模型和PatternRL强化学习算法，在Qwen3-VL-4B和Qwen3-VL-8B上缓解了跨模式错位，代价是轻微的任务性能折损。

此前评估多模态模型只关注正确性，忽视了思考与非思考模式下响应行为的一致性。该研究首次系统测量响应模式失败，发现非思考模式失败率更高，可能影响用户对模型可靠性的感知。

混合思考模型通过在不同推理预算间切换来平衡效果和效率，但用户期望两种模式输出的质量一致。该研究用模式对齐方法，通过失败检测和强化学习惩罚来校正非思考模式下的行为偏差，使两种模式更接近。

该研究为评估和训练多模态模型提供了新维度，提示产品在引入非思考模式时需关注响应时的行为错误，可能增加质量测试环节，并需在性能和准确度间权衡。

• 在模型评估体系中引入模式对齐指标，专门检测非思考模式下的失败行为，提升用户体验。
• 开发自动化的响应模式错误检测工具，用于生成测试集和上线前检查。
• 将模式感知的强化学习应用于自家混合思考模型训练，减少模式间差异。

• PatternRL在更大模型或更多任务上的有效性如何？
• 模式对齐是否适用于非多模态的纯文本模型？
• 模式错位是否导致用户实际行为改变（如流失率）？