近期研究揭示了一个反直觉现象：在DeepSeek-R1等推理优化模型中，立场偏差随推理长度增长而非减少。这直接挑战了‘思维链越长越客观’的普遍假设。技术上看，这暗示推理过程可能强化了初始token的语义倾向，类似‘确认偏误’在Transformer自注意力机制中的累积效应。个人经验中，我在处理多选问答时曾发现R1对争议性话题（如政治立场）的答案一致性较差，长链推理反而放大了预设倾向。这提醒我们：推理能力优化不能仅看准确率，还需引入偏差度量。问题有二：1）如何设计对抗训练来抑制这种长度驱动的偏差？2）相比CoT-SC（自一致性采样）的随机性，R1的确定性长链是否更易陷入局部偏颇？行业来看，这迫使我们在部署推理模型到敏感领域（如法律、医疗）时，需权衡推理深度与中立性，而非一味追求‘更长的思考’。未来或需开发动态截断机制，在推理链达到偏差阈值前强制输出。