論文の概要: Entertain, then Cancel: How Thinking Makes Reasoning Models Read Some and Or Literally

• arxiv url: http://arxiv.org/abs/2610.21204v1
• Date: Thu, 15 Oct 2026 04:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.171034
• Title: Entertain, then Cancel: How Thinking Makes Reasoning Models Read Some and Or Literally
• Title（参考訳）: Entertain, then Cancel: 思考によって推論モデルが読み書きできる方法
• Abstract要約: 思考は、ほとんどのテストされたオープン推論モデルにおいて、アンフェム(すべてではない)とアンフェール(両方ではない)の帰結をキャンセルする。 推論モデルの評価は、その解釈の正確さだけでなく、どのように解釈するかを測るべきである。
• 参考スコア（独自算出の注目度）: 33.27950296068063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When a speaker says ``some students passed'', listeners infer that not all of them did. Reasoning models now let users decide how long a model thinks before it answers, but we do not know what extra thinking does to such everyday inferences. We study this directly: we keep a model's weights fixed, change only how much it thinks, and record which reading it chooses. A second tool cuts the model's own reasoning at successive points and asks for an answer, showing where the reading changes. Thinking makes models read logical words as logic: it cancels the implicatures of \emph{some} (\emph{not all}) and \emph{or} (\emph{not both}) in most tested open reasoning models and in GPT-5, while context-driven inferences such as indirect answers improve. The trace shows why: models first entertain the enriched reading and cancel it later. Answering from that early reading, an exploratory inference-time remedy, recovers these implicatures without losing literal accuracy. Evaluations of reasoning models should measure how they interpret, not only how accurate they are.
• Abstract（参考訳）: ある話者が「数人の生徒が通った」と言うと、聞き手は全員ではないと推測する。 推論モデルでは、モデルが回答する前にどのくらいの時間で考えるかをユーザが決めることができますが、そのような日々の推論に余分な思考が何をするかは分かりません。 私たちは、モデルの重みを固定し、その量だけを変更し、どの読み方を選択するかを記録します。 第2のツールは、連続したポイントでモデル自身の推論をカットし、読み出し場所を示す回答を求める。 思考は論理的な単語を論理として読み取る:ほとんどのテストされたオープン推論モデルや GPT-5 では \emph{some} (\emph{not all}) と \emph{or} (\emph{not both}) の命令をキャンセルするが、間接回答のような文脈駆動推論は改善される。 モデルはまずリッチな読書を楽しませ、後でキャンセルする。 その早期読解から答えると、探索的推論時治療は、正確な精度を失うことなく、これらの不適応を回復する。 推論モデルの評価は、その解釈の正確さだけでなく、どのように解釈するかを測るべきである。

関連論文リスト

• Pando: Do Interpretability Methods Work When Models Won't Explain Themselves? [53.07826484214082]
  モデル・オーガニゼーションのベンチマークであるPandoを紹介します。 Pandoは、ラベル付きクエリ-レスポンスペアから、ホールドアウトモデル決定を予測する。 説明が忠実であれば、ブラックボックスの引用はすべてのホワイトボックスメソッドに一致するか、超える。
  論文  参考訳（メタデータ） (2026-04-13T06:42:24Z)
• To Think or Not To Think, That is The Question for Large Reasoning Models in Theory of Mind Tasks [56.11584171938381]
  心の理論 (ToM) は、モデルが信念、欲望、意図などの隠された精神状態を推測できるかどうかを評価する。 近年のLRM(Large Reasoning Models)の進歩により、数学やコーディングにおけるステップバイステップ推論が向上している。 本研究では,9つの大規模言語モデル(LLM)の体系的研究を行い,推論モデルと非推論モデルを比較した。
  論文  参考訳（メタデータ） (2026-02-11T08:16:13Z)
• The Price of a Second Thought: On the Evaluation of Reasoning Efficiency in Large Language Models [54.88805865447848]
  モデルが全体の効率を向上し,問題の難しさが効率に影響を及ぼすことを示す。 インストラクションモデルが簡単なアウトラインをドラフトし,思考モデルがそれを拡張する,シンプルな2段階パイプラインであるCOTHINKを提案する。 GSM8K、MATH500、AIME24では、COTHINKはトークンの使用量を21.1%削減し、4つの思考モデルの精度を維持し、強力な効率のベースラインと競争し続ける。
  論文  参考訳（メタデータ） (2025-05-28T06:24:45Z)
• Reasoning Models Know When They're Right: Probing Hidden States for Self-Verification [23.190823296729732]
  本研究は,仮説モデルが解答正解性に関する情報を隠蔽状態の探索によって符号化するかどうかを考察する。 得られたプローブは、中間回答を高い精度で検証し、高度に校正されたスコアを生成する。
  論文  参考訳（メタデータ） (2025-04-07T18:42:01Z)
• ThinkEdit: Interpretable Weight Editing to Mitigate Overly Short Thinking in Reasoning Models [25.870593499694092]
  推論モデルの隠れ表現に、推論の長さがどのように埋め込まれているかを検討する。 我々は、過剰に短い推論の問題を軽減するために、シンプルだが効果的な重み付けアプローチであるThinkEditを紹介した。
  論文  参考訳（メタデータ） (2025-03-27T23:53:45Z)
• Are DeepSeek R1 And Other Reasoning Models More Faithful? [2.0429566123690455]
  我々は,Qwen-2.5,Gemini-2,DeepSeek-V3-Baseの3つの推論モデルを評価する。 MMLU質問に対する解答に、その解答がどう影響するかをモデルで記述できるかどうかを検証する。 推論モデルは、テストされたすべての非推論モデルよりもはるかに確実にそれらに影響を与えるキューを記述する。
  論文  参考訳（メタデータ） (2025-01-14T14:31:45Z)
• What if you said that differently?: How Explanation Formats Affect Human Feedback Efficacy and User Perception [53.4840989321394]
  我々は,QAモデルが生成した有理性の効果を分析し,その答えを支持する。 ユーザに対して,様々な形式で誤った回答とそれに対応する有理性を提示する。 このフィードバックの有効性を,文脈内学習を通じて評価する。
  論文  参考訳（メタデータ） (2023-11-16T04:26:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。