叫 LLM 别想，它偏要想：思维惯性是个可量化的坑

推理模型的时代带来一个被忽视的副作用：你不想要它的推理了，它停不下来。10 月 8 日放榜的 Thinking Inertia（arXiv 2610.11765，作者 Dianqiao Lei、Philip Torr、James Zou 等，NeurIPS 2026 接收，代码开源于 thinking-inertia/code）把这种现象命名为思维惯性：即使被明确指示不要思考，LLM 仍在产出显式推理。Hugging Face 论文榜 215 赞排第二，这个话题显然击中了很多人的日常体验。

老方法为什么量不出来

过去判断模型是否在想，靠两个代理指标：推理模式开关关了就算没在想；输出里没有长推理链就算没在想。论文指出两个都不可靠：开关关了模型可能仍在暗中推理；长文本可能只是填充物而非真实推理，两者都给不出真实答案。本文的方法是把每条回复归一化为前答案轨迹加最终答案两部分，然后在三个层级上量化：空思考率衡量严格纯答案合规；题前轨迹相关度看前答案内容与题目的语义相似；显式推理率用裁判模型判定可见推理是否出现。六种提示干预、六个 LLM、布尔选择开放三类题型交叉实测，覆盖面足够宽。

三个核心发现

第一个发现最直接：显式的禁想控制无法可靠地移除可见推理，思维惯性在所有测试组合中都存在，不是某个模型的个体毛病。第二个发现关于题型：答案空间越开放，显式推理越常见，控制难度随任务模糊度上升。第三个发现最有工程含义：布尔与选择题上关推理不影响准确率，但开放题上纯答案合规与准确率出现取舍，硬关推理是要付代价的；给模型提供候选答案能让纯答案回复变容易，这提示了一种缓解路径。

为什么这事值得在意

对推理成本的工程价值最直接：长推理链烧 token 且拖慢响应，很多场景只需要一个答案，但成本优化的努力常被思维惯性吃掉。这份工作证明关推理不是一行提示词或一个开关就能解决的事，它是一个需要独立训练与评测的能力。对做推理模型的团队，这篇文章提供了一个现成的评测协议；对应用层开发者，它解释了为什么你的请别推理提示词总是不管用。下一步值得关注的方向是训练侧的 obedience 对齐，让模型学会真正听话地闭嘴，而不是嘴上答应了脑子里还在想。