思考惯性：被要求不思考时，LLM 仍会继续推理

arXiv 论文《Thinking Inertia: LLMs Keep Thinking When Told Not To》研究大模型的“不思考”行为。作者指出，以往用禁用思考模式或缺少长推理链来衡量“不思考”并不可靠，改为把回答拆为答案前文本与最终答案，用三项指标评估：严格仅答率、问题与答案前文本相关性、LLM 裁判判定的显式推理率。在六种提示干预与六个模型上测试布尔、单选、开放题后，作者发现显式禁用思考无法稳定消除可见推理，即“思考惯性”，且答案空间越开放越明显。准确率在布尔与单选题上保持稳定，开放题则在仅答合规与准确率之间有取舍。

此前业界常把“关闭思考模式”或“没有长推理链”当作不思考的证据，论文指出这些代理指标不可靠：模式虽关闭仍可能输出推理，长文本也可能是填充而非真实推理。它把“不思考”从二元开关变成可分级测量的行为，并揭示控制强度与任务开放性会影响是否真的停止推理，为模型行为评测提供了新基准。

论文认为，思考惯性来自模型生成过程与提示控制之间的分离：提示词只是输入条件，不能直接改写模型已习得的推理倾向。作者用答案前文本与最终答案的切分，把“仅给答案”“相关但不推理”“显式推理”区分开，从而避免只看输出长度或思考开关状态造成误判。开放题答案空间大，模型可走的中间路径更多，推理更难被抑制。

对产品与研发而言，依赖“关闭 thinking 模式”来保证低延迟、低 token 成本或纯答案输出并不可靠，需要在评测中加入答案前文本检查与显式推理率指标。面向开放题的 Agent、客服、写作类产品若强制仅答，可能同时损失准确率，需按场景在合规与效果间设阈值。

• 在模型评测中加入答案前文本切分与显式推理率指标，作为思考模式开关之外的独立质量门禁。
• 针对开放题场景提供可配置的推理抑制策略，并在响应中标注是否仍存在可见推理，供业务侧选择取舍。
• 为高合规要求的仅答场景构建输出过滤与重写层，检测并移除答案前推理痕迹后再返回最终答案。

• 六种提示干预和六个模型的具体名单与效果差异未在证据中给出。
• “显式禁用思考无法稳定消除推理”的具体失败比例与统计显著性未知。
• 开放题中仅答合规与准确率取舍的量化幅度尚未披露。
• 评测使用的开放式问题类型与领域覆盖范围不明确。