关闭思考开关为何不能作为证据
论文的起点是一个测量问题，而不是建模问题。已有工作通常从表面信号推断模型没有在思考：思考模式被关闭、回复中没有单独的推理轨迹或没有 <think> 块，或者输出本身很短。作者认为，这些代理指标把“指令层面的控制”和“可见推理是否被抑制”混为一谈。
他们给出的反例很具体。一个推理通道被关闭的模型，仍可能在普通答案通道里写出针对问题的推导过程。一个不含特殊推理标记的回复，仍可能包含一个真正承担推理作用的紧凑等式。一段很短的输出，也可能是一个被压缩的解法。反过来，像“让我想想”这样的通用开场白不含任何与任务相关的内容，却会被基于长度或标记的代理指标算作推理。
因此论文重新界定了研究对象。它把每条回复拆成答案前文本 T 和最终答案 A，并把“不思考”当作答案之前那段可见文本的可观察属性，而不是模型上的某个设置。
三个指标区分合规与推理
评估把问题分成三个层次，每一层回答不同的问题，且都以全部输出为分母，而不是只统计非空的答案前文本。
空思考率（ETR）最严格：它衡量答案前文本完全为空的比例，也就是模型只返回了最终答案。这是字面意义上的“只给答案”合规。
问题与答案前文本相关性（QRel.）用一个带指令的嵌入模型，衡量问题与可见答案前文本之间的相似度。它刻画这段文本是否与任务有关，空文本记为 0。
显式推理率（EIR）由一个大模型裁判判断可见文本是否包含显式的推理步骤，而不是复述、相关断言或模板。这是最直接地把“思考”操作化的指标。
三者在设计上互补。一段文本可以相关但没有推理，可以有推理但不长，也可以为空因而两者都不具备。作者用人工标注校验了这些指标：在 600 条输出的样本上，主裁判对显式推理的判断与人工标签的平均二元一致率为 98.8%，QRel. 与五位标注者相关性判断的平均条目级 Spearman 相关系数为 0.829。
答案空间越开放，思考惯性越强
主实验对六个模型施加六种提示干预：Qwen3-4B、Qwen3-32B、Qwen3-235B-A22B、DeepSeek-V4-Flash、GPT-5.4 和 Gemini-3-Flash-Preview。任务覆盖三类答案空间，每类各含一个较易和一个较难的基准：布尔判断（BoolQ、StrategyQA）、多项选择（MMLU、MMLU-Pro）和开放式生成（GSM8K、MATH）。
在模型原生的关闭思考设置下，多数模型在布尔任务上的 ETR 达到约 80%–100%，QRel. 和 EIR 明显下降。多项选择处于中间且差异很大，不同模型的 ETR 从接近零到 95% 不等。在开放式任务上，ETR 普遍跌到接近零，而 QRel. 仍接近开启思考时的水平，EIR 也保持较高。
这一递进就是作者所说的“思考惯性”：可见的显式推理在禁止思考的控制下依然存在，并随着答案空间变开放而更普遍。六模型平均 EIR 在布尔任务上最低，多项选择居中，开放式任务最高。作者把这一现象解释为与计算需求增加相一致，因为在没有候选选项的情况下构造答案，可能比在有限的备选中挑选需要更多与任务相关的中间计算。这是他们的解释，而不是被直接测量的内部机制。
分步提示能重新引出可见推理
反向干预检验的是：在原生思考开关保持关闭时，普通提示能否把推理带回来。加入分步指令后，许多模型的 QRel. 和 EIR 回升到接近开启思考时的水平，布尔任务上也是如此。
关键细节在于什么没有改变。在分步提示下，六模型平均 EIR 仍保持布尔 < 多项选择 < 开放式的排序。这一干预改变了可见推理的总体水平，却没有改变它对答案空间的依赖，而这正是论文想要确立的特征。
GPT-5.4 是这一回升模式的主要例外，它在布尔和多项选择任务上都保持较高的“只给答案”合规性和相应较低的 EIR。
严格合规在开放式任务上牺牲准确率
更强的自然语言约束确实减少了可见推理，但在不同任务上并不一致。在各禁止思考变体之间，布尔任务的准确率几乎持平在约 85%，多项选择准确率只有小幅波动，开放式准确率在不同模式间变化最大。
权衡就出现在这里。在开放式任务上，把模型推向只给答案的输出会与任务准确率冲突，因此严格的禁止思考指令并不是免费的效率收益。相比之下，在布尔和多项选择任务上，即使不思考指标发生变化，准确率仍保持稳定。
论文还把同样的问题改写到不同答案空间中。提供候选答案会让“只给答案”的回复更容易产生，这说明决定模型能否合规的不只是指令，还有答案接口本身。
审计排除了哪些替代解释
由于 QRel. 和 EIR 依赖文本相似度和裁判，作者针对明显的失效模式做了审计。一个近似逐字复制的检测器在 572,688 条回复中只标记出 301 条（0.053%）；即便把这些全部的相关性记为零，全局平均 QRel. 的变化最多也只有 0.00053。另一个单独的“仅复述”标签覆盖 355 条输出（0.06%），这些被排除在 EIR 分子之外。
回复顺序也被检查。在 535,208 条含可解析框选答案的输出中，只有 149 条（0.028%）把答案放在最前面，因此“先答案前文本、后答案”的结构描述的是主流回复形式，而不是强加于数据的假设。
这些检查之所以重要，是因为核心论断针对的是可见文本。论文明确指出，它的分析单位是可观察的回复，而不是隐藏的计算。一个停止写出推理的模型可能仍在内部计算；这项研究能说明可见推理依然存在，但不能说明底层计算已被消除。
不思考是一种能力而非默认状态
实际结论是：不思考应当作为一种独立能力，与推理能力一起被评估，而不能被当作推理模式的对立面默认成立。关闭的开关、缺失的推理标记或很短的输出，都不能证明模型直接给出了答案。
论文自身的变量指出了最需要关注的地方。当答案空间较窄或已提供候选答案时，合规最容易，例如布尔和多项选择任务。在开放式任务上合规最难，而严格的只给答案提示还会危及准确率。因此作者建议按任务分流：当接口提供了足够支持时直接作答，把可见推理留给答案空间确实需要它的情形。
适用范围受研究设计限制。这套六模型、六基准的测试在支持时使用确定性解码，作者也指出，向多语言、代码、工具调用、多轮对话和随机性设置的推广仍是开放问题。QRel. 是一种操作化的相关性度量，而非独立的推理检测器；EIR 依赖可见文本的评分规则和裁判校准。在这些边界之内，站得住的发现是一个比较：同一条禁止思考指令，会因答案空间的开放程度不同而产生非常不同的合规表现，读者判断模型是否真的会停止把思考写出来时，应当依据这一差异，而不是开关设置。
本文引用的文献
Thinking Inertia: LLMs Keep Thinking When Told Not To
在六个大模型和六种提示干预下，显式的禁止思考控制无法可靠消除可见推理；显式推理持续存在，并随答案空间变开放而更普遍，同时准确率在布尔和多项选择任务上保持稳定，但在开放式任务上与“只给答案”的合规性形成权衡。