Summary
Reasoning Shift 是指推理型 LLM 在非隔离的上下文条件下（如长输入、多轮对话、子任务嵌套），对同一问题产生显著更短的推理链（最多缩短 50%）的现象。推理链的压缩伴随着自我验证和不确定性管理行为（如 double-checking）的减少，对简单问题影响不大，但会降低复杂任务的表现。
Key Points
核心发现
- 相同问题在不同上下文条件下，推理 token 数量最多减少 50%
- 即使只有几百 token 的无关前缀，也能使推理长度下降 18%
- Thinking mode 下效果远比 non-thinking mode 显著（53% vs 19%）
- 所有测试模型（Qwen、GPT-OSS、Gemini、Kimi）均表现出此现象
三种触发场景
- Long input：问题前加入大量无关文本
- Multi-turn：多轮对话中作为第二轮问题
- Subtask：作为复杂任务的子任务呈现
机制分析
- 模型不是被无关内容混淆——它们能快速识别并忽略无关部分
- 到达第一个候选答案的位置几乎相同（~925 vs ~939 tokens）
- 关键差异在于答案后验证：模型更快地停止检查
- 自我验证词频（“wait”/“alternatively”/“but”/“maybe”）在上下文条件下显著下降
对 Agent 系统的重要启示
- 长时间运行的 Agent 会积累上下文 → 推理质量静默退化
- 上下文压缩（compaction）和子代理委托变得更加关键
- 在隔离环境下评估推理模型可能高估实际表现
- 通过 RL 学到的自我验证行为是脆弱的，受上下文影响
与现有知识的关联
- 与 claude-code-session-management 中的 context rot 问题相呼应——长上下文不仅影响检索，还影响推理质量
- 支持 harness-engineering 中的子代理分割策略——隔离子问题可以维持推理质量
- 为 kv-cache-and-prompt-caching 的上下文管理增加了新维度——不仅是性能问题，也是质量问题
Open Questions
- 具体的抑制机制是什么？是注意力分散还是某种隐式的”节省 token”行为？
- 能否通过 prompt engineering 抵消这种效应（如明确指示”请仔细验证”）？
- 不同的 RL 训练方法对这种脆弱性的影响是否不同？
- 在真实 Agent 工作流中（而非合成实验）这种效应有多严重？
Evidence Timeline
- 2026-04-20: 从 arXiv:2604.01161 (Rodionov, 2026) 摄入。系统评估了 4 个推理模型在 3 种上下文条件下的表现，发现推理链最多压缩 50%，自我验证行为显著减少。