大規模推論モデル（LRM）は、テスト時の計算量を増やして明示的な中間推論トレースを生成することで性能を向上させてきた。しかし、「推論が長ければ長いほど常に有益である」という仮定は十分に検証されていない。最近の証拠は、追加の推論がモデルを過剰思考に導く可能性を示している。そこで本論文は、モデルが正しい答えに到達した後、さらなる推論は解を洗練するのか、それとも逸脱させるのか、という問いを立てる。
正解後のダイナミクスを調べるため、Simone Caldarella氏ら5人の著者は2026年6月1日にarXivへ提出した論文で、プレフィックスレベルの軌道評価プロトコルを導入した。これは「推論十分性」に基づき、モデルが最初に正解を生成するために必要な最小推論予算を定義する。これにより、追加推論が冗長だが無害な「冗長な過剰思考」と、継続推論がすでに正しい軌道を不安定にする「有害な過剰思考」を分離できる。
マルチモーダルベンチマークから始めた分析では、推論集約的と考えられてきた多くの事例が驚くほど少ない推論しか必要としないことが分かった。さらに、最初の正解プレフィックスで停止すると、標準推論と比べて精度が最大21%向上した。これは、現在のモデルの限界が推論能力だけでなく、適切なタイミングで停止できないことにもあることを示している。
一般的な効率化戦略である早期停止は、冗長な過剰思考を最大50%削減するものの、有害な過剰思考を緩和できない。失敗分析によれば、正確性の逸脱は主に論理ドリフトと視覚的再解釈によって引き起こされる。論理ドリフトでは推論の連鎖が途中で元の論理から外れ、視覚的再解釈では画像情報の解釈変更が結論を変えてしまう。
最後に著者らは、この発見が言語のみの推論ベンチマークにも一般化することを示し、有害な過剰思考がマルチモーダルに限らない広範な信頼性リスクであると強調する。コードはプロジェクトページで公開されている。この研究は、今後の推論モデル設計において「どれだけ考えるべきか」と「いつ止めるべきか」の両方に目を向ける必要があることを示唆している。