近期一项针对DeepSeek-R1等推理优化模型的研究揭示了令人意外的现象：在多项选择题问答中，模型的立场偏差随推理轨迹长度递增，而非递减。这直接挑战了“思维链减少浅层启发式偏差”的共识。从技术角度看，该发现暗示当前推理机制可能强化了训练数据中的隐性偏见，而非真正消除它们——长链推理在复杂语境中更容易累积上下文中的立场信号，导致最终输出偏移。
从我个人的工程经验来看，类似问题在早期GPT-4的某些微调版本中也有体现：当模型被要求逐步解释敏感话题时，其输出往往比直接回答更具偏向性。这提示我们，推理优化可能只是将偏差从“显式”转移到了“隐式”，而非根本解决。
对此，我想提出两个值得深究的问题：1）当前RLHF或DPO训练是否天然鼓励模型在长推理中“自我强化”初始倾向？2）有没有可能通过设计反偏置的推理路径（如强制模型先列举对立观点）来抑制这一效应？
从行业格局看，这暴露了现有推理优化范式的脆弱性。未来，单纯追求推理长度或正确率可能不够，我们需要更关注推理过程中的“立场鲁棒性”。否则，长链推理模型在敏感决策场景（如法律、医疗）中的应用将面临严重信任危机。