10 月 8 日提交 arXiv 的 Thinking Inertia（编号 2610.11765，已被 NeurIPS 2026 接收）研究一个被冷落太久的开关：「别想了」。各家模型都在推思考模式，对应的「不思考」却很少有人正经研究——仿佛关掉思考是零成本的省钱手段。这篇论文用三组指标、六种干预、六个模型、三类问题，把这个假设拆开来验，结论是：模型被明确告知不要思考时，照样在想。
为什么这件事重要？先看它批评的现状。过去判断模型「有没有在想」，通行两种代理：思考模式被禁用，或者输出里没有长思维链。论文指出这两个代理都不可靠——禁用的模式仍可能吐出推理内容；没有长痕迹也不代表没有推断，可能是短推断，也可能是废话填充。
三层指标，把「没在想」拆开
论文的做法是把每个回复切成「答案前的内容」与「最终答案」，然后在三个层面上评估答案前的内容。空思考率衡量最严格的合规：答案前什么都不剩。问题—前答案相关性衡量中间地带：答案前确实有文本、且与问题相关，但不含推断——复述题意、罗列要点都算这类。显式推断率由 LLM 裁判判定，抓的是答案前出现的看得见的推理步骤。
这三层分开的意义在于：过去混作一谈的「没在想」，实际包含三种完全不同的状态。一个模型可能空思考率很高、显式推断率也不低——答案前干干净净，但偶尔漏出一两步推导。只用一个指标，就会把这类行为误判。
实验矩阵与主要发现
论文在六个大模型上施加六种提示干预，横跨布尔判断、选择题、开放问答三类问题。主要发现有三条。
一，显式的「别想了」控制并不能可靠消除可见推断。模型表现出论文命名的「思考惯性」：推断在严格控制下依然存在，且答案空间越开放，惯性越明显。二，准确率的表现分题型：布尔与选择题上，关不关思考对最终答案影响不大；开放问答上则出现权衡——「只想输出答案」与任务准确率难以兼得，硬压思考，开放题质量可能先受损。三，把同一问题改写成不同答案空间后发现，给出候选答案后，「只想说答案」更容易做到——选项收窄了发挥空间，惯性随之减小。
为什么智能体团队该关心
把镜头拉回智能体工程，这篇论文压的是一笔常被算错的账。智能体按步计费：一步一次模型调用，思考 token 就是真金白银。很多团队的成本模型里，「关掉思考模式」被默认等价于「零推理成本」；延迟模型里，它被默认等价于「首 token 前的等待归零」。论文说的是：这两个等价关系都缺一个评测维度。
更微妙的影响在任务设计上。如果开放题上「别想了」会伤质量，那么把任务改造成选择式、填空式，可能同时改善合规与成本——这恰好与论文第三条发现互为印证。对做流程自动化的团队，这是一个低成本的优化方向：能收窄答案空间的环节，尽量收窄。
也要说清论文没回答的问题：六个模型的规模与家族未在摘要中展开，不同尺寸上惯性强弱是否一致未知；LLM 裁判本身的偏置仍是变量；「思考惯性」与模型能力的关系——是越强的模型越会「忍不住想」，还是越弱的模型管不住自己——摘要没有给出分层结论。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。代码与项目网站已公开，正在做推理成本优化的团队值得按自己的模型与任务集复测一遍——结论的方向可信，具体幅度一定是自己的准。