这篇题为《多少思考才算足够？量化与理解大语言模型推理中的冗余》的论文由翟志远（Zhiyuan Zhai）等四位作者完成，于2026年4月21日提交至arXiv，编号为arXiv:2605.23926，属于人工智能（cs.AI）与机器学习（cs.LG）交叉领域。论文同时提供了PDF、实验性HTML版本以及TeX源码，并附有开源代码仓库链接。
研究出发点十分直接：具备推理能力的大语言模型在解决困难问题时，会生成长长的思维链（chain of thought），代价是显著的延迟、GPU算力消耗与能源开销。作者指出，随意浏览这些模型的推理轨迹就能看到大量公式重写、反复验证以及循环式的自我反思。然而，这种深思熟虑中究竟有多少是真正必要的，此前既没有在大规模上被测量过，也没有从第一性原理上得到解释。论文的目标就是同时填补这两个空白。
在测量方法上，作者把“推理冗余”直接定义在推理模型自身之上：对于一条正确的推理轨迹，其冗余度定义为可以被截断的尾部片段步骤所占的最大比例——在截断之后，强制模型终止思考并直接输出最终答案，模型仍然给出正确答案。换句话说，冗余度衡量的是“多想的部分”中有多少其实可以砍掉而不影响结果。
基于这一定义，作者在四个前沿推理模型和两个数学基准上进行了大规模量化。结果显示，在研究的8个（模型，基准）组合条件中，步骤级冗余度始终很高，介于61%到93%之间；在其中6个条件里，关键前缀的中位数仅相当于一个分段步骤，也就是模型几乎在第一步之后就已经掌握了正确解法。作者还验证了这一发现对评审模型家族（judge family）的选择是稳健的。此外，在MATH-500基准上，尽管冗余度会随题目难度上升而下降，但即便在难度最高的Level-5题目上，四个模型的冗余度依然显著，落在46%到85%的区间内。
论文的第二部分从理论上解释了这一现象。作者证明，这种冗余并非某个模型特有的瑕疵，而是“与长度无关的结果奖励”（length-agnostic outcome rewards）的结构性后果：在任意此类奖励下，都不存在有限的最优期望停止时间。该结论与具体的强化学习算法、基础模型、数据分布无关，也不论策略是通过强化学习获得还是通过蒸馏获得。因此，过度思考不是可以在单个模型中修补的bug，而是当前推理模型训练方式所固有的结构性属性。
从实践意义看，这项研究为推理模型的高昂推理成本提供了量化依据：在许多数学任务上，绝大部分思维链步骤对最终答案并无贡献，存在大幅压缩推理长度的空间。同时，理论结果也说明，简单的工程性截断或逐模型调优难以从根本上解决问题，若要真正控制思考长度，需要改变奖励设计本身。论文代码已在GitHub上公开，便于社区复现与后续研究。