一句话看懂：一项针对 Qwen3 系列的研究提出，在 NO-THINK 模式下用强化学习提升推理分数，可能主要不是学会新能力，而是把模型原本 THINK 模式的能力重新激活。
事件核心：发生了什么
Hugging Face Papers 上发布的一篇论文，关注混合推理模型（如 Qwen3 系列）的训练机制。这类模型通过少量 chat-template 特殊 token 在 THINK 与 NO-THINK 两种模式间切换。一种常见做法是直接在 NO-THINK 模式下用强化学习（RL）训练，并报告推理性能提升。
研究者用 GRPO 分别训练了 Qwen3-1.7B、4B 和 8B。他们观察到：随着准确率上升，模型的回答变长、更“反思”，被原始模型判定为更接近自己的 thinking 输出，内部激活也逐渐向 THINK 模式偏移。在权重、激活和注意力头层面，继续加大 RL 更新会诱发出 THINK 模式行为，准确率接近但不超过 THINK 模式。在 Qwen3-8B 上，将 RL 训练模型中一个与 THINK 相关的低维激活子空间替换为原始模型的值，会移除大部分 RL 增益；反向替换则能把相当一部分增益转移到原始模型。RL 引发的偏移经过读取空 think 块的注意力头。研究还指出，GRPO 的 advantage 加权信号更偏好“像 THINK”的回答，从该信号计算的梯度步会把模型推向 THINK 状态。论文认为，NO-THINK 模式的增益在很大程度上反映的是原模型已有推理能力的再激活，而非学习到更强的推理行为。
为什么重要
这直接触及当前大模型后训练的一条主流路线：用 RL 在非思考模式下提升推理表现。如果“思维泄漏”机制成立，那么部分基准分数上涨可能被误读为模型能力增强，而实际上只是把隐藏的 THINK 能力重新调动出来。对训练方而言，评估 RL 收益时需要区分“新学会的能力”和“已有能力的重新激活”，否则容易高估训练方法和数据的作用。对开源与闭源模型的竞争叙事也有影响：如果提升更多来自基座模型原有的推理潜力，那么单纯比较 NO-THINK 模式的 RL 后分数，未必能反映真正的能力差距。
对用户/开发者/创作者的影响
对普通用户来说，短期内不必因为这项研究改变使用方式，但可以留意：模型在 NO-THINK 下变“啰嗦”、更像在思考，不必然等于推理能力质变。对开发者，尤其是做模型微调、蒸馏或 RL 后训练的团队，这意味着评测设计要更谨慎，最好同时检查输出长度、思考块激活和 THINK 模式对照，避免把“模式切换”误当成“能力提升”。对做 AI 应用和内容创作的人来说，如果产品宣传“用 RL 让非思考模式也具备强推理”，需要看它是否提供了与 THINK 模式的公平对比，以及是否只是把思考过程藏进了更长的回答里。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，论文中的机制是否会被更多模型和更大规模实验复现，尤其是不同 RL 算法和不同模型家族上的表现。第二，Qwen 或其他混合推理模型在发布更新时，是否会公开区分 NO-THINK RL 增益与 THINK 模式基线。第三，训练工具链和评测基准是否会加入“思维泄漏”检查项，例如监测空 think 块注意力头或 THINK 相关激活子空间的变化。
