思考の慣性：LLMは「考えるな」と言われても考え続ける

Thinking Inertia: LLMs Keep Thinking When Told Not To

October 8, 2026

著者: Dianqiao Lei, Kevin Qinghong Lin, Pan Lu, Philip Torr, James Zou

cs.AI

要旨

大規模言語モデル（LLM）は、明示的な「思考モード」を搭載して提供されることがますます増えているが、その対概念である「no-thinking」にははるかに注目が集まっていない。我々は、LLMのno-thinking行動を2つの軸に沿って研究する。a. no-thinkingをどのように測定するか？ 先行研究は通常、思考モードの無効化や長いトレースの欠如といった代理指標によってno-thinkingを定義する。これらの代理指標は信頼できない。無効化された思考モードでも依然として推論を出力する可能性があり、長いトレースは真正な推論ではなく埋め草を含むことがある。我々は代わりに、各応答を回答前トレースと最終回答に正規化し、3つの水準で評価する：(i) 厳密な回答のみへの準拠に関する空思考率、(ii) 質問と回答前トレースとの類似度に関する、指示を考慮した質問–回答前関連度、(iii) 可視的な明示的推論に関するLLM-as-judgeによる明示的推論率。これらの指標を合わせることで、回答のみの出力、関連するが推論を含まないテキスト、明示的推論を区別する。b. no-thinkingはタスクとモデルによってどのように変化するか？ 我々は、真偽、多肢選択、自由回答の質問にわたり、6つのLLM上で6つのプロンプト介入を評価する。明示的なno-think制御は可視的な推論を確実に排除できないことが分かる。代わりにモデルは「思考の慣性」を示す。明示的推論は厳しい制御下でも持続し、解答空間が広がるにつれてより一般的になる。精度は真偽および多肢選択タスクでは安定したままである一方、自由回答タスクでは回答のみへの準拠とタスク精度の間にトレードオフが現れる。同じ質問を解答空間を変えて書き換えると、候補解答を提示することが回答のみの応答を生成しやすくすることが示される。これらの知見は、no-thinkingを自明でない能力として確立する。明示的推論を停止することは、モデル設定や指示だけから想定できるものではなく、推論能力と並んで体系的な評価に値する。

English

Large Language Models (LLMs) increasingly ship with explicit "thinking modes", yet their counterpart, "no-thinking", has received far less attention. We study LLMs' no-thinking behavior along two axes. a. How to measure no-thinking? Prior work typically defines no-thinking through proxies such as a disabled thinking mode or the absence of long traces. These proxies are unreliable: disabled thinking modes may still emit reasoning, while long traces may contain filler rather than genuine inference. We instead normalize each response into a pre-answer trace and final answer, and evaluate it at three levels: (i) Empty-Thinking Rate for strict answer-only compliance; (ii) instruction-aware Question-Pre-answer Relevance for similarity between the question and pre-answer trace; and (iii) LLM-as-judge Explicit Inference Rate for visible explicit inference. Together, these metrics distinguish answer-only output, relevant but non-inferential text, and explicit inference. b. How does no-thinking vary across tasks and models? We evaluate six prompting interventions on six LLMs across Boolean, multiple-choice, and open-ended questions. We find that explicit no-think controls cannot reliably eliminate visible inference. Models instead exhibit "Thinking Inertia": explicit inference persists even under strict controls and becomes more prevalent as the answer space opens. Accuracy remains stable on Boolean and multiple-choice tasks, whereas open-ended tasks reveal a trade-off between answer-only compliance and task accuracy. Rewriting the same questions across answer spaces shows that supplying candidate answers makes answer-only responses easier to produce. These findings establish no-thinking as a non-trivial capability: stopping explicit reasoning cannot be assumed from model settings or instructions alone and deserves systematic evaluation alongside reasoning ability.