【2026 最新】Thinking Inertia 是什麼？「不要思考」怎麼測，三組對照分清輸出、正確率與成本

你在提示詞裡寫「不要思考，只給答案」，AI 的回答果然縮成一行。這就代表它停止推理、答得一樣準，而且更省錢嗎？Thinking Inertia（思考慣性）把這幾個看似相同的問題拆開：你要求的是一件事，螢幕呈現與實際用量是另外兩件事。

這篇專為完全沒有技術背景的讀者寫。你會用一個買票小故事，學會安排三組對照、判讀輸出與正確率，再把延遲和成本各自記下來。本文提供可照做的練習設計；研究觀察歸屬原作者，小題集沒有預填模型成績。

先說結論：短答案，只是其中一張成績單

控制設定 → 可見輸出；答案品質、等待時間、實際用量另外驗收。這就是本篇的記憶錨點。像請同學「只交答案」，你能檢查他有沒有附草稿、答案對不對、交卷多快；光看紙上只有一個數字，判斷不了他腦中做了多少計算。

需要乾淨的分類標籤時，答案格式很重要；需要正確解題時，品質也重要；打算節省 API 開銷時，就要讀用量紀錄。三個目的可以同時追求，但每個目的都要有自己的證據。

Thinking Inertia 是什麼？先分清三個抽屜

2026 年 10 月 8 日提交的 Thinking Inertia 論文，把「不思考」操作化為可觀測的回答行為。作者在六個模型、三類答案空間與六種干預設定中，觀察到即使施加 no-thinking 控制，回答前仍可能出現明確推論；開放回答的抑制效果也與答案正確率存在取捨。這是該研究配置下的發現。

• 抽屜一：可見的回答前文字。包括平台展示的推理欄位，也包括一般回答裡先寫的算式、解釋或開場白。
• 抽屜二：最後答案。例如 答案：62。它可以正確，也可以錯誤；整齊與正確要分開打勾。
• 抽屜三：未展示的計算。閱讀輸出本身無法驗證它是否消失。若平台提供 thinking token 用量，那也是該平台定義的計費訊號，不是完整的內部活動紀錄。

也別把所有前置文字都叫推理。「我來回答」只是開場；「四張票共 68 元，減掉 6 元優惠」才展示一個與題目有關的推論步驟。研究中的「慣性」是行為描述，讀成模型有意志、故意抗命，會超出這份證據。

Thinking Inertia 怎麼測？三把尺，各回答一個問題

依 論文的測量定義，ETR、QRel.、EIR 分別檢查格式、相關性與明確推論。初學者先做格式與答案核對，再用人工標記理解後兩者。

• ① ETR：有幾次嚴格只交答案？Empty-Thinking Rate＝合格的答案-only 輸出數 ÷ 該條件全部輸出數 × 100%。答案必須可解析，允許的答案包裝之外不能有實質文字；先答數字、後補解釋也不合格。
• ② QRel.：前置文字和題目有多相關？研究用 embedding（把文字轉成可比較的向量）衡量。重述問題也可能很相關，所以這格不等於「正在推理」。手動練習只能記相關／不相關，不能冒充論文的 QRel. 分數。
• ③ EIR：有幾次真的寫出推論？Explicit Inference Rate 把回答前文字 T 含明確推論的回覆數，除以該條件全部回覆數；空 T 記為沒有可見推論；研究採用遮蔽模型與條件身分的評審。練習時可遮掉組別、最後答案與正確性，只用題目及回答前文字人工判讀，保留支持判斷的原文，結果須標成「人工標記」。

把答案正確率放在旁邊：正確回覆數 ÷ 該條件全部回覆數。答錯但只給答案，可以通過格式；答對但多寫算式，可以通過正確率。要學會設計這種彼此獨立的驗收，可接著讀 AI Evals 入門。

第一步「固定考卷」：一件事，改成三種答案空間

先用這道自行設計的題目：每張票 17 元，買 4 張，整筆訂單折抵 6 元，總共付多少？先自己算 17 × 4 − 6 = 62，把正解存到另外一張紙，別附在開放題裡。

• 是非題：每張票17元，買4張，整筆訂單折抵6元。實付60元，對嗎？最後一行使用「答案：是」或「答案：否」。 正解：否。
• 選擇題：每張票17元，買4張，整筆訂單折抵6元。實付多少？A.60 B.62 C.68 D.74。最後一行使用「答案：字母」。 正解：B。
• 開放題：每張票17元，買4張，整筆訂單折抵6元。實付多少？最後一行使用「答案：數字」。 正解：62。

再加兩個同樣可改寫的題幹：120 頁的書讀完八分之三，剩下 75 頁；18 公里以每小時 12 公里前進，需 1.5 小時。選項可分別用 45／75／105／120、0.5／1／1.5／2。是非題用「剩75頁嗎？」與「需2小時嗎？」，讓是與否都出現。三題各做三種格式，共九個輸入。

提供候選答案等於給模型一張菜單，開放回答則要自己寫出菜名。這會改變辨認、猜測與生成的難度，所以不能把三種格式的正確率直接當作同難度排行榜。先在同一格式內比較控制條件，再把跨格式變化當成答案介面的觀察。

第二步「只改一件事」：預設、只給答案、原生關閉

• A 組：預設。貼同一題，保留模型原本設定；只規定最後答案的包裝，允許它在前面解釋。記下當下模型名稱、版本與設定。
• B 組：只給答案提示。保留 A 的設定，在同一題前加上 請直接回答。只輸出規定的答案格式，不要解釋、算式、開場白或補充文字。 比較 A 與 B，觀察提示詞的效果。
• C 組：原生關閉＋相同提示。題目與 B 的提示保持一致，只改平台明確文件化的 no-thinking 控制。比較 B 與 C，觀察開關的增量效果。若只能選「low／minimal」，把它記為低思考條件；若入口無法核對控制，就把 C 記為未測。

每次開新對話，避免上一題留下的解題過程；固定同一模型、題目順序與採樣設定，輪替執行 A、B、C 來減少時段差異。九個輸入先各跑一輪，A／B 共 18 次，加入 C 共 27 次；每題每次一列，再按可承擔用量重複，保留全部成功、失敗與截斷紀錄。這是找問題的小考卷，不是代表各種任務的正式 benchmark。

論文的 M2 原生關閉與 M5 嚴格只給答案，兩者都在關閉條件下。本篇 B 則保留預設，目的是讓新手辨認提示與設定。要研究兩者交互作用，再加「原生關閉、無額外抑制提示」第四組；不要將本篇三組數據冠上論文模式名稱。

第三步「核對開關」：用官方文件辨認你實際改了什麼

截至 2026 年 10 月 14 日，Qwen3-4B 官方模型卡在 Transformers 的 tokenizer.apply_chat_template(..., enable_thinking=False) 提供硬開關，並將 /no_think 說明為另外一種軟控制。這裡談的是該模型卡與對應模板，不能把參數套用到任何名稱帶 Qwen 的模型。

若已有可用的 Qwen3 vLLM 服務，官方 vLLM 範例是在請求 JSON 加 "chat_template_kwargs": {"enable_thinking": false}；Python 客戶端則放在 extra_body 內。先保存實際 request 與原始 response，確認服務接受設定。這段只展示控制欄位，完整呼叫還需服務地址、模型 ID、messages 與已授權的存取方式。

關閉專用 thinking 通道與一般回答不寫解釋，是兩個驗收邊界。若 C 組仍在 content 寫出算式，先檢查設定是否送達，再把那段算式記進可見輸出；不要因為找不到 <think> 標籤就直接填 ETR 合格。採樣旋鈕怎麼固定，可讀 Temperature、Top-p 等參數教學。

第四步「留下收據」：輸出、正確率、延遲與用量分開記

用試算表建欄位：題號、答案格式、組別、模型版本、設定、原始輸出、解析答案、格式合格、答案正確、人工推論標記、總耗時、輸入token、輸出token、thinking用量、實際費用、結束原因。API 若將 reasoning_content 與 content 分欄，保留兩欄；聊天介面只展示部分內容時，ETR 要明確標為「僅依介面可見內容」。

例如收到 4×17=68，68−6=62。答案：62，可記答案正確、格式不合格、有可見推論。若只收到 答案：60，則記答案錯誤、格式合格；這些都是示意文字，不是模型輸出。採用「答案：」包裝時，固定允許字元與空白規則，缺少答案或截斷也要保留在總題數裡。

計時從送出到完整回覆結束，另外記第一段文字出現的時間；前者是交卷速度，後者像看到同學開始落筆。聊天網頁的秒錶紀錄包含網路與介面等待，所以稱「使用者觀察到的耗時」。多次比較時看中位數，也看最慢幾筆，別只挑最快一次。

費用則讀平台實際用量與計費。Google 的 thinking 計費文件說明，展示的思考摘要與計費的完整 thought tokens 有別；截至本次查核，其 Interactions API 用 usage.total_thought_tokens 呈現思考用量。這是 Gemini 該介面的例子，不能當成所有平台的統一欄位。

讀不到的欄位填「未知」，不要填 0。月費聊天方案若沒有逐次計費紀錄，可以比較格式、正確率、可見推論與耗時，卻不能據此算單題省了多少錢。若使用分項單價估算，先核對 thinking 是否已含在輸出計費欄位，避免重複加總。

第五步「看交換條件」：怎麼讀結果，才不被漂亮數字騙？

在每種答案格式內，分別計算三組的格式合格率與正確率，附上樣本數。接著看：B 比 A 更乾淨時，有沒有多答錯？C 比 B 更快時，實際用量是否下降？只有格式改善，就只下格式改善的結論。

再看候選答案是否讓回覆更容易收斂。作者研究報告的方向是候選可見時更容易只交答案，但繁中九題練習仍要自己觀察。它可以幫你決定下一輪該多測哪種題型，不能證明所有語言、長對話或工具任務都會相同。

若想閱讀作者工具，可先取得 本次核對的固定版本：git clone https://github.com/thinking-inertia/code.git thinking-inertia-code，接著 cd thinking-inertia-code 與 git checkout 8f8f1cddcea6560df672fb70e83f013ce9f530e3。在這份程式庫目錄執行 PYTHONPATH=src python3 -m thinking_inertia.eval_nonreason --help 可查看參數，不會呼叫模型。這是閱讀入口；完整安裝要求 Python 3.10 以上，模型服務與資料集使用條件則要另外準備。

閱讀程式時也要區分實作與論文：本次固定版本的 M6 chat 路徑把答案前綴放進 user prompt，論文則描述從生成開頭預填答案前綴；Quick start 的輸出分析也不等於已完成正式 QRel. 編碼與 EIR 評審。九題手動練習先標成自己的評估方法，不把它改名成完整重現。

常見坑：把「安靜」誤認成「便宜又正確」

• 事後刪掉解釋：可以整理介面，但測原始 ETR 時保留刪除前版本；整理後字數不是原始生成用量。
• 把輸出上限壓到太小：截斷是一種失敗原因，不能因剩下幾個字就記為只給答案成功。
• 只看成功回覆：失敗、拒答與格式錯誤都列出；把樣本排除規則寫在開始之前。
• 同時換模型、提示與溫度：即使結果改變，也無法把改善歸功於單一開關。先固定，再逐項改。

FAQ：Thinking Inertia 新手八問

1.「不要思考」真的有效嗎？

要看你測哪件事。它可能讓輸出更符合要求；是否更正確、更快或更便宜，分別看答案、計時與用量。

2. 沒有推理文字，就表示內部完全沒算嗎？

無法由文字判定。本研究觀察的是可見回答，ETR 合格只能支持相應的輸出邊界。

3. 一行算式也算可見推論嗎？

可以。若展示了從題目資訊導出答案的明確步驟，長度短仍可人工標成推論。

4. 答案很相關，就可以填 EIR 嗎？

不可以直接等同。相關性與推論是不同規則；重述題目可能很相關，卻沒有推導。

5. 只有聊天網頁，也能開始嗎？

可以。先做 A、B，保存可見輸出與耗時；原生開關、隱藏用量讀不到，就逐欄記未測或未知。

6. 提供選項是不是作弊？

它是另一種答案介面。研究候選答案效果時可以提供，但要分開評分，不把開放題與選擇題當同一難度。

7. 三組各跑一次，能宣稱哪個模型最好嗎？

這份小考卷支撐不了廣泛排名。它先幫你找到格式、題型與開關的問題；下一輪增加任務與重複次數。

8. 本文有 AlphaLab 的模型實測成績嗎？

沒有預填成績。這篇交付的是自行設計的小題集與紀錄方法，經驗觀察明確引述作者研究；你可以用自己的入口完成第一輪。

給新手的三個重點

• 只交答案是輸出契約；正確率、延遲、用量分別驗收。
• 先在同一題型比較 A／B／C，再研究候選答案造成的改變。
• 把原始回覆留下來；讀不到的資訊填未知，下一輪才有方向。