大型推理模型（LRM）通过增加测试时计算量来生成显式的中间推理轨迹，以此提升性能。然而，“推理越长越有益”这一假设仍未得到充分检验。近期有证据表明，额外推理可能让模型陷入过度思考。那么一个关键问题浮现出来：当模型已经得到正确答案后，继续推理究竟是在完善解法，还是反而偏离正解？
为研究正确性之后的动态变化，Simone Caldarella 等五位作者在 2026 年 6 月 1 日提交至 arXiv 的论文中提出了一个前缀级轨迹评估协议。该协议以“推理充分性”为基础，定义了模型首次生成正确答案所需的最小推理预算。借助这一框架，研究者得以区分两类过度思考：一类是冗长的过度思考，即额外推理虽属冗余但无害；另一类是有害的过度思考，即持续推理会破坏原本已经正确的轨迹。
研究从多模态基准开始。作者发现，许多被视为“推理密集型”的实例实际上只需要极少的推理量。更值得注意的是，若在首次出现正确前缀时就停止推理，准确率相比标准推理可提升最高 21%。这一结果说明，当前模型的局限不仅在于推理能力本身，还在于它们无法在恰当的时刻停下来。换句话说，模型有时“想得太多”，反而把已经到手的正确答案想错了。
研究者进一步检验了常见的效率策略。提前停止等方法可以显著减少冗长的过度思考，降幅最高达 50%，但它们无法缓解有害的过度思考。对失败案例的分析显示，正确性偏离主要由两种因素驱动：逻辑漂移和视觉重解释。逻辑漂移指推理链条在后续步骤中偏离原有逻辑；视觉重解释则指模型对图像信息的重新解读导致结论改变。
最后，作者将发现推广到纯语言推理基准，表明有害过度思考是一个更广泛的可靠性风险，而不仅限于多模态场景。论文代码已公开在项目页面 simonecaldarella.github.io/thinking-past-the-answer 上。该工作提示，未来的推理模型设计需要同时关注“该想多久”和“该何时停”两个问题。