研究揭示 Qwen3 无思考模式 RL 增益源于思维泄漏
原文标题：The Thinking Leakage in Reinforcement Learning for LLMs
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文对 Qwen3-1.7B、4B、8B 在 NO-THINK 模式下做 GRPO 训练，发现推理性能提升主要来自「思维泄漏」——即部分重新激活原模型 THINK 模式的推理能力，而非学到新能力。权重、激活与注意力头层面的实验显示，替换 THINK 相关激活子空间可消除大部分 RL 增益。
- 问题
- Qwen3 无思考模式 RL 训练带来的推理增益来源不明。
- 方法
- 对 Qwen3-1.7B/4B/8B 做 GRPO 训练，从权重、激活与注意力头层面追踪 THINK 模式子空间。
- 结果
- 替换 THINK 相关低维激活子空间可消除大部分 RL 增益；继续放大 RL 更新逼近但不超越 THINK 模式准确率。
- 影响
- 提示无思考模式 RL 增益可能只是思维泄漏，评估与训练方案需区分真实能力提升与模式重激活。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Qwen3无思考模式RL增益主要来自思维泄漏，替换THINK相关激活子空间可消除大部分提升。
- •对Qwen3-1.7B、4B、8B在NO-THINK模式下做GRPO训练
- •准确率提升同时响应变长、更具反思性，内部激活向THINK模式偏移
- •继续放大RL更新可逼近但不超过THINK模式准确率
- •在Qwen3-8B中，用原模型值替换低维THINK相关激活子空间可消除大部分RL增益，反向替换可转移相当部分增益
- •RL引起的偏移经由读取空think块的注意力头传递
为什么重要：对混合推理模型做RL训练的研究者需重新审视：NO-THINK模式下的收益可能只是唤醒了原有能力，而非学到新推理行为。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。