超越單純正確性：針對混合思考多模態大型語言模型的反應行為基準測試與對齊研究

本研究提出 PatternEval 基準測試與 PatternRL 訓練框架，旨在解決混合思考模型在不同推理模式間反應不一致的問題，有效降低邏輯矛盾與格式錯誤，確保跨模式的穩定表現。

Problem

混合思考多模態大型語言模型（MLLM）能在深思熟慮與快速推理模式間切換，但兩者常出現反應模式不一的問題。僅靠正確率無法捕捉如思維鏈洩露、重複、邏輯矛盾或表演性推理等行為缺陷，導致非思考模式下的反應品質顯著下降，產生系統性的行為失準。

研究團隊推出包含 2,415 個提示的 PatternEval 診斷基準，涵蓋視覺感知與知識推理等領域，專門偵測四類常見的反應失敗。同時開發 PatternRM 獎勵模型，並透過 PatternRL 在強化學習過程中引入針對特定失敗模式的懲罰機制，用以優化 Qwen3-VL 系列模型。

實驗顯示，非思考模式的失敗率普遍高於思考模式。透過 PatternRL 的優化，Qwen3-VL-4B 與 8B 模型在維持任務準確度的前提下，成功緩解了跨模式的行為不對齊現象，顯著降低了反應模式的失敗率，使兩種模式的輸出更趨於一致。

隨著模型推理模式趨於多樣化，確保不同運算成本下的反應行為符合使用者預期至關重要。本研究為混合思考模型建立了首個完整的評估與訓練框架，對於開發可靠且行為一致的 AI 應用提供了實質的技術指導與檢測工具。