即答モードのAIが賢くなる現象、元の「熟考モード」が漏れただけと判明

学習済みのAIが実際に答えを出す処理。使うたびに計算コストがかかる。">推論モデルが即答モードで強化学習を受けた際に性能が向上する現象について、新たな推論能力を獲得したのではなく、元から備わる熟考モードの能力が漏れ出て再活性化したことによるものだとする研究が発表された。

研究チームは「Qwen3」の1.7B、4B、8Bを用い、推論ステップを省く「NO-THINKモード」において強化学習手法GRPOで検証した。精度が上がるにつれて回答は長くなり、内部の活性化状態も熟考を行う「THINKモード」へ近づいた。Qwen3-8Bの解析では、熟考に関連する低次元の活性化空間を元の値に置き換えると強化学習による性能向上の大半が失われた。さらに、更新幅を広げても熟考モード自体の精度を超えることはなかった。

強化学習の学習信号が熟考に似た回答を優遇し、元々備わっていた能力が呼び戻されていたと分析している。