Wenxuan Zhu

在Qwen3-1.7B、4B、8B上以GRPO做无思考模式强化学习，准确率提升的同时回答变长、反思词增多、内部激活向原模型的思考模式偏移。权重缩放、激活替换与注意力头干预三类实验显示，这部分增益主要来自对原模型已有思考能力的重新激活，而非学到新的推理行为；8B上替换8维思考子空间可去掉75%的增益，反向替换可把50%的增益转移给原模型。

在Qwen3-1.7B、4B、8B上以GRPO做无思考模式强化学习，准确率提升的同时回答变长、反思词增多、内部激活向原模型的思考模式偏移。权重缩放、激活替换与注意力头干预三类实验显示，这部分增益主要来自对原模型已有思考能力的重新激活，而非学到新的推理行为；8B上替换8维思考子空间可去掉75%的增益，反向替换可把50%的增益转移给原模型。