Stanford 研究：6 個 LLM 被要求不思考，仍持續寫出推理

研究在做什麼

現在的大型語言模型（LLM）越來越常附帶明確的「思考模式」，也就是先寫出推理過程再作答；與之相對的「不思考」（no-thinking，只給答案、不展示推理）卻少有人研究。Stanford University 的這篇論文從兩個方向探討：怎麼衡量不思考，以及不思考的表現如何隨任務與模型而不同。 Hugging Face 每日精選論文

作者指出，過去常用「關閉思考模式」或「沒有長篇推理」來代表不思考，但這些替代指標不可靠：關閉思考模式的模型仍可能輸出推理，長篇內容也可能只是填充文字，並非真正的推論。 Hugging Face 每日精選論文

方法

作者把每則回應拆成「作答前文字」（答案出現前的內容）與最終答案，再分三個層級評估：Empty-Thinking Rate（作答前沒有任何文字、嚴格只給答案的比例）；Question-Pre-answer Relevance（考慮指令內容後，衡量作答前文字與題目的相似程度）；以及用 LLM-as-judge（讓語言模型擔任評審）判定的 Explicit Inference Rate（回應中出現可見明確推論的比例）。三者合起來可區分只給答案、有相關文字但沒有推論、明確推論三種情況。實驗在六個 LLM 上測試六種提示介入（在提示詞中加入的不同控制方式），題型涵蓋是非題、選擇題與開放式問題。 Hugging Face 每日精選論文

結果

研究發現，明確要求不思考的控制手段無法穩定消除可見推論。作者把這種現象稱為「Thinking Inertia」（思維慣性，模型在嚴格限制下仍繼續明確推論）；答案空間（題目允許的答案範圍，是非題最窄、開放式問題最寬）越開放，這種情形越常見。 Hugging Face 每日精選論文

是非題與選擇題的準確率維持穩定；開放式問題則顯示，只給答案的遵從度與任務準確率之間存在取捨。把同一批題目改寫成不同答案空間後，作者發現提供候選答案會讓模型比較容易做到只給答案。作者據此認為，不能只靠模型設定或指令就假設模型已停止明確推理，不思考應與推理能力一起系統性評估。 Hugging Face 每日精選論文

限制

這項研究的評估範圍是六個 LLM 與六種提示介入，題型限於是非題、選擇題與開放式問題三類。 Hugging Face 每日精選論文

程式碼與資料

本站 2026-10-15 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：

• 研究機構（Hugging Face 標示）：Stanford University
• 程式碼：[thinking-inertia/code](https://github.com/thinking-inertia/code)｜5 顆星｜最後更新 2026-10-09｜授權 MIT
• 專案網頁：https://thinking-inertia.github.io/
• 公開資料集：[thinking-inertia/llm-nothinking-trajectories](https://huggingface.co/datasets/thinking-inertia/llm-nothinking-trajectories)
• 線上展示：[tardellirs/paper-pulse](https://huggingface.co/spaces/tardellirs/paper-pulse)