🤖 AI

Thinking Past the Answer: Evaluating Harmful Overthinking in Large Reasoning Models

यह शोध पत्र एक प्रीफ़िक्स-स्तरीय मूल्यांकन प्रोटोकॉल प्रस्तुत करता है जो यह प्रदर्शित करता है कि लार्ज रीजनिंग मॉडल्स अक्सर "हानिकारक ओवरथिंकिंग" (harmful overthinking) से ग्रस्त होते हैं, जहाँ सही उत्तर तक पहुँचने के बाद भी तर्क जारी रखने से समाधान अस्थिर हो जाता है, जिससे यह पता चलता है कि वर्तमान मॉडल न केवल तर्क करने की क्षमता से बल्कि सही समय पर रुकने में असमर्थता से भी सीमित हैं।

मूल लेखक: Simone Caldarella, Davide Talon, Rahaf Aljundi, Elisa Ricci, Massimiliano Mancini

प्रकाशित 2026-06-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Simone Caldarella, Davide Talon, Rahaf Aljundi, Elisa Ricci, Massimiliano Mancini

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: जब "बहुत अधिक सोचना" उल्टा पड़ जाता है

कल्पना कीजिए कि आप गणित की परीक्षा दे रहे हैं। आप एक सवाल पढ़ते हैं, अपने दिमाग में गणना करते हैं, और अचानक आपके मन में उत्तर आता है: "उत्तर 42 है।" आप आश्वस्त महसूस करते हैं। आप इसे लिख देते हैं।

लेकिन फिर, आपका दिमाग चलता रहता है। आप खुद पर संदेह करने लगते हैं। "रुको, क्या मैंने स्टेप्स सही से गिने थे? शायद यह 41 हो? या शायद 43?" आप अपने काम को बार-बार लिखते हैं, नंबर बदलते हैं, और उस सरल तर्क को बहुत जटिल बना देते हैं जिसे आपने अभी-अभी समझा था। जब आप अपनी लंबी, खिंची हुई सोचने की प्रक्रिया पूरी करते हैं, तो आप खुद को यकीन दिला चुके होते हैं कि उत्तर 43 है। आप अपना पेपर गलत उत्तर के साथ जमा कर देते हैं, जबकि आप शुरू से ही सही उत्तर जानते थे।

यह शोध पत्र तर्क देता है कि लार्ज रीजनिंग मॉडल्स (LRMs)—वे सुपर-स्मार्ट AI सिस्टम जिन्हें बोलने से पहले "सोचने" के लिए डिज़ाइन किया गया है—बिल्कुल यही कर रहे हैं। वे अक्सर जल्दी ही सही उत्तर ढूंढ लेते हैं, लेकिन फिर वे तब तक "सोचते" रहते हैं जब तक कि वे गलती से खुद को एक गलत उत्तर की ओर नहीं ले जाते।

मूल समस्या: "ओवरथिंकिंग" के दो प्रकार

शोधकर्ताओं ने महसूस किया कि "बहुत अधिक सोचना" केवल एक बुरी चीज़ नहीं है। उन्होंने इसे दो श्रेणियों में विभाजित किया:

वर्बोस ओवरथिंकिंग (बातूनी दोस्त - Verbose Overthinking):
- यह क्या है: AI सही उत्तर ढूंढ लेता है, बातें करता रहता है, लेकिन अपना मन नहीं बदलता। वह बस बहुत सारी अनावश्यक बातें जोड़ता रहता है।
- उपमा: यह उस दोस्त की तरह है जिसे पता है कि दुकान तक कैसे जाना है। वह कहता है, "बाएं मुड़ें।" फिर वह बातें करता रहता है: "ओह, और लाइट लाल है, और वहां एक कुत्ता है, और कुत्ता भूरा है, और भूरा एक अच्छा रंग है..." वह दिशा नहीं बदलता, बस समय बर्बाद करता है।
- परिणाम: यह अक्षम है (समय बर्बाद करता है), लेकिन उत्तर अभी भी सही है।
हार्मफुल ओवरथिंकिंग (भ्रमित जासूस - Harmful Overthinking):
- यह क्या है: AI सही उत्तर ढूंढ लेता है, सोचता रहता है, और फिर अपना मन बदलकर गलत उत्तर पर आ जाता है।
- उपमा: यह उस दोस्त की तरह है जो कहता है, "बाएं मुड़ें," लेकिन फिर संदेह करने लगता है। "रुको, शायद वह कुत्ता वास्तव में एक बिल्ली है? अगर वह बिल्ली है, तो शायद मुझे दाएं मुड़ना चाहिए? नहीं, रुको, शायद लाइट हरी है? ठीक है, मैं दाएं मुड़ जाता हूँ।" वे अंत में गलत दिशा में चले जाते हैं क्योंकि उन्होंने स्थिति का बहुत अधिक विश्लेषण कर लिया।
- परिणाम: यह खतरनाक है। AI के पास समाधान था, लेकिन उसकी अपनी अतिरिक्त सोच ने उसे बिगाड़ दिया।

उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने AI की सोच के लिए एक विशेष "स्टॉप-वॉच" बनाई।

"प्रथम सही क्षण" परीक्षण (The "First Correct Moment" Test): उन्होंने AI की सोचने की प्रक्रिया को चरण-दर-चरण देखा। उन्होंने पूछा: "AI ने ठीक किस क्षण में पहली बार सही उत्तर प्राप्त किया था?"
तुलना: उन्होंने AI के वास्तविक व्यवहार (उसे जितना चाहे सोचने देने) की तुलना एक इष्टतम रणनीति (AI को ठीक उसी क्षण रोकने जब वह सही उत्तर पा लेता है) से की।

चौंकाने वाला परिणाम:
जब उन्होंने AI को सही उत्तर मिलते ही रोक दिया, तो AI के स्कोर बहुत बेहतर हो गए (कुछ मामलों में 21% तक बेहतर)। इससे यह साबित हुआ कि AI लंबे समय तक सोचकर स्मार्ट नहीं हो रहा था; बल्कि वह बहुत लंबे समय तक सोचकर वास्तव में "बेवकूफ" होता जा रहा था।

ऐसा क्यों होता है?

शोधकर्ताओं ने देखा कि AI अपना मन क्यों बदलता है जब उसे सही उत्तर मिल जाता है। उन्हें दो मुख्य कारण मिले:

लॉजिकल ड्रिफ्ट (The "Wait, but..." Trap - तर्क का भटकना):
- AI एक ठोस तर्क श्रृंखला के साथ शुरू करता है। फिर, वह बहुत चतुर बनने की कोशिश करता है। वह एक नया संबंध या एक "क्या होगा अगर" वाली स्थिति बना देता है जो सच नहीं है, जिससे पूरी सोच पटरी से उतर जाती है।
- उदाहरण: "पक्षी नीला है। नीला एक शानदार रंग है। शानदार रंग दुर्लभ होते हैं। इसलिए, पक्षी दुर्लभ है।" (यहाँ तर्क टूट जाता है)।
विजुअल रीइंटरप्रिटेशन (The "I Saw It Wrong" Trap - दृश्य पुनर्व्याख्या):
- यह ज्यादातर चित्रों के साथ होता है। AI एक छवि को देखता है, वस्तुओं को सही ढंग से गिनता है, लेकिन फिर देखते-देखते वह खुद को यकीन दिला देता है कि उसने कुछ मिस कर दिया है।
- उदाहरण: "मैं 5 ईंटें देख रहा हूँ। रुको, करीब से देखने पर, शायद वह छाया एक गायब ईंट है? नहीं, रुको, शायद 6 ईंटें हैं? ठीक है, मैं 6 कहूँगा।" (उसने एक सही गिनती को गलत में बदल दिया)।

यह क्या नहीं है: आश्चर्यजनक रूप से, AI आमतौर पर खराब गणित (गणना त्रुटियों) के कारण गलती नहीं करता। वह इसलिए गलती करता है क्योंकि उसने अपने तर्क या दृश्य के बारे में अपना मन बदल लिया।

क्या यह हर जगह होता है?

हाँ। यह चित्रों (मल्टीमॉडल) और केवल टेक्स्ट (भाषा-मात्र) दोनों के साथ होता है।
हाँ। यह बहुविकल्पीय प्रश्नों (जहाँ आपको A, B, C या D चुनना होता है) और मुक्त-रूप (free-form) प्रश्नों (जहाँ आपको उत्तर लिखना होता है) दोनों के साथ होता है।
ट्विस्ट: यह वास्तव में मुक्त-रूप प्रश्नों में अधिक होता है। क्योंकि AI को किसी सूची से चुनने के लिए मजबूर नहीं किया जाता, इसलिए वह रास्ते से भटकने और गलत उत्तर गढ़ने के लिए अधिक स्वतंत्र महसूस करता है।

वर्तमान समाधान काम क्यों नहीं करते

लोगों ने AI को "जल्दी सोचने" (Early Stopping) के लिए कहकर इसे ठीक करने की कोशिश की है।

शोध पत्र का निष्कर्ष: यह "वर्बोस ओवरथिंकिंग" (बातूनी दोस्त) के लिए काम करता है। यह AI को समय बर्बाद करने से रोकता है।
लेकिन: यह "हार्मफुल ओवरथिंकिंग" (भ्रमित जासूस) को ठीक नहीं करता है। भले ही आप AI को जल्दी रुकने के लिए मजबूर करें, यदि वह बहुत लंबे समय तक सोचता है, तो उसमें सही उत्तर को गलत में बदलने की प्रवृत्ति बनी रहती है।

मुख्य निष्कर्ष

यह शोध पत्र इस निष्कर्ष पर पहुँचता है कि वर्तमान धारणा—"यदि हम बस AI को लंबे समय तक सोचने दें, तो वह स्मार्ट हो जाएगा"—अपूर्ण है।

कभी-कभी, AI उस छात्र की तरह होता जो उत्तर जानता है लेकिन उसे मिटाकर कुछ और लिखने के लिए बार-बार मिटाता रहता है। इन मॉडल्स के लिए सबसे बड़ी चुनौती केवल यह नहीं है कि वे कैसे तर्क करें; बल्कि यह है कि वे कब रुकें। एक AI के लिए सबसे समझदारी भरा कदम यह पहचानना हो सकता है कि, "मेरे पास उत्तर है," और बिना किसी सुधार के तुरंत चुप हो जाना, बजाय इसके कि वह एक ऐसे समाधान को और बेहतर बनाने की कोशिश करे जो पहले से ही पूर्ण है।

तकनीकी सारांश: उत्तर से आगे सोचना: बड़े तर्कशील मॉडलों (LRMs) में हानिकारक अति-चिंतन का मूल्यांकन

1. समस्या की परिभाषा

लार्ज रीजनिंग मॉडल्स (LRMs) ने यह प्रदर्शित किया है कि जटिल कार्यों पर प्रदर्शन सुधारने के लिए स्पष्ट मध्यवर्ती तर्क पथ (चेन-ऑफ-थॉट, या CoT) उत्पन्न करने हेतु टेस्ट-टाइम कंप्यूट (test-time compute) आवंटित करने से लाभ होता है। हालांकि, यह प्रचलित धारणा कि "लंबा तर्क निरंतर बेहतर होता है" अभी भी अपर्याप्त रूप से जांची गई है। जबकि हालिया साक्ष्य संकेत देते हैं कि मॉडल "ओवरथिंकिंग" (अति-चिंतन) कर सकते हैं, मौजूदा साहित्य मुख्य रूप से इसे एक दक्षता समस्या (efficiency problem) के रूप में देखता है—जिसका लक्ष्य पूर्ण-लंबाई वाले ट्रेसेस की सटीकता को बनाए रखते हुए अनावश्यक गणना को कम करना है।

यह शोध पत्र तर्क देता है कि ओवरथिंकिंग एक विश्वसनीयता समस्या (reliability problem) भी है। एक मॉडल अपने जनरेशन प्रक्रिया के दौरान सही उत्तर तक पहुँच सकता है, लेकिन निरंतर तर्क करने पर वह उस सही प्रक्षेपवक्र (trajectory) को अस्थिर कर सकता है, जिससे अंततः गलत भविष्यवाणी हो सकती है। लेखक ओवरथिंकिंग के दो प्रकारों के बीच अंतर करते हैं:

वर्बोस ओवरथिंकिंग (Verbose Overthinking): मॉडल सही उत्तर प्राप्त करने के बाद भी तर्क जारी रखता है लेकिन अंतिम सही उत्तर को बनाए रखता है (अनावश्यक लेकिन हानिरहित)।
हानिकारक ओवरथिंकिंग (Harmful Overthinking): मॉडल एक सही मध्यवर्ती अवस्था तक पहुँचता है लेकिन निरंतर तर्क करने के कारण उससे विचलित हो जाता है, जिसके परिणामस्वरूप गलत अंतिम भविष्यवाणी होती है (अस्थिर करने वाला और हानिकारक)।

मुख्य शोध प्रश्न यह है: एक बार जब मॉडल सही उत्तर तक पहुँच जाता है, तो क्या आगे का तर्क समाधान को परिष्कृत करता है, या यह उससे विचलित हो जाता है?

2. कार्यप्रणाली (Methodology)

2.1 तर्क पर्याप्तता का औपचारिककरण (Formalizing Reasoning Sufficiency)

लेखक किसी विशिष्ट मॉडल द्वारा सही उत्तर उत्पन्न करने के लिए आवश्यक न्यूनतम तर्क बजट (minimum reasoning budget) के आधार पर प्रश्न की कठिनाई की एक औपचारिक परिभाषा प्रस्तुत करते हैं। यह दृष्टिकोण, जो औसत ट्रेस लंबाई का उपयोग करता है (जो वर्बोसिटी से प्रभावित होता है), शुद्ध रूप से सटीकता के लिए आवश्यक गणना को अलग करता है।

प्रतीक (Notation): मान लीजिए $t = (u_1, \dots, u_N)$ एक रीजनिंग ट्रेस है।
प्रथम सही सूचकांक ( $\tau_y$ ): वह न्यूनतम सूचकांक $i$ जहाँ प्रिफिक्स (prefix) $t_{\le i}$ सही उत्तर $y$ प्रदान करता है।
अनुभवजन्य कठिनाई ( $\hat{\kappa}$ ): $\tau_y$ से जुड़ी कम्प्यूटेशनल क्षमता।

2.2 प्रिफिक्स-स्तरीय प्रक्षेपवक्र मूल्यांकन प्रोटोकॉल (Prefix-Level Trajectory Evaluation Protocol)

सही उत्तर प्राप्त होने के बाद तर्क की गतिशीलता को मापने के लिए, लेखक एक प्रिफिक्स-स्तरीय मूल्यांकन प्रोटोकॉल प्रस्तावित करते हैं:

जबरन समाप्ति (Forced Termination): प्रत्येक उत्पन्न ट्रेस के प्रत्येक प्रिफिक्स $t_{\le i}$ के लिए, एक निश्चित समाप्ति टेम्पलेट जोड़ा जाता है ताकि मॉडल को उस मध्यवर्ती चरण पर भविष्यवाणी करने के लिए मजबूर किया जा सके।
निष्कर्षण (Extraction): एक बाहरी एक्सट्रैक्टर मॉडल ( $A$ ) आंशिक ट्रेस को पार्स करके अनुमानित उत्तर $\hat{y}_i$ निर्धारित करता है।
वर्गीकरण (Classification):
- वर्बोस (Verbose): $A(t_{\le \tau_y}) = y$ और $A(t_{\le N}) = y$ ।
- हानिकारक (Harmful): $A(t_{\le \tau_y}) = y$ और $A(t_{\le N}) \neq y$ ।
मेट्रिक्स: हानिकारक ओवरथिंकिंग दर ( $H$ ) को उन हल किए गए उदाहरणों के अंश के रूप में गणना की जाती है जहाँ मॉडल एक सही प्रिफिक्स तक पहुँचता है लेकिन अंतिम चरण में विफल हो जाता है।

2.3 प्रयोगात्मक सेटअप

मॉडल: मल्टीमॉडल LRMs (MM-Eureka, R1-VL, ThinkLite-VL, VL-Rethinkers) और भाषा-मात्र (language-only) LRMs (Qwen3, InternS1) पर मूल्यांकन किया गया।
बेंचमार्क्स:
- मल्टीमॉडल: AI2D, MathVerse, MathVision, MathVista, MMStar, VMCBench।
- भाषा-मात्र: AIME2025, GPQA।
तुलना की गई रणनीतियाँ:
- No-CoT: बिना तर्क के तत्काल उत्तर।
- Actual Length: डिफ़ॉल्ट अनकन्स्ट्रेंड (unconstrained) CoT व्यवहार।
- Optimal Length: एक ओरेकल रणनीति जो पहले सही प्रिफिक्स पर रुक जाती है (हानिकारक ओवरथिंकिंग को समाप्त करने से होने वाले संभावित लाभ को मापने के लिए उपयोग किया गया)।
- Early Stopping: अनुकूलित अनुमान समाप्ति (adaptive inference stopping) जब भविष्यवाणियाँ $K$ चरणों तक अपरिवर्तित रहती हैं।

3. मुख्य परिणाम

3.1 तर्क की लंबाई बनाम कठिनाई

आश्चर्यजनक दक्षता: कई मामले जिन्हें "तर्क-गहन" माना जाता है, उनमें आश्चर्यजनक रूप से बहुत कम तर्क की आवश्यकता होती है। ऑप्टिमल स्टॉपिंग पॉइंट्स अक्सर प्रक्षेपवक्र की शुरुआत के पास केंद्रित होते हैं (अक्सर शून्य उत्तपदों/utterances पर)।
प्रदर्शन अंतराल (Performance Gap): पहले सही प्रिफिक्स पर रुकना (Optimal Length) मॉडल के डिफ़ॉल्ट व्यवहार (Actual Length) की तुलना में काफी बेहतर प्रदर्शन करता है।
- मल्टीमॉडल बेंचमार्क्स पर, Optimal Length सटीकता को 21% तक बढ़ा देता है (जैसे, R1-VL के लिए MathVision पर +23.3%)।
- यह लाभ मानक इंस्ट्रक्शन-ट्यून्ड मॉडल्स की तुलना में रीजनिंग-ओरिएंटेड पोस्ट-ट्रेनिंग से प्राप्त सुधार से अधिक है।
निष्कर्ष: वर्तमान LRMs न केवल अपने तर्क करने की क्षमता से, बल्कि सही समय पर रुकने की अपनी अक्षमता से भी सीमित हैं।

3.2 हानिकारक ओवरथिंकिंग की गतिशीलता (Harmful Overthinking Dynamics)

गैर-मोनोटोनिसिटी (Non-Monotonicity): तर्क प्रक्षेपवक्र मोनोटोनिक नहीं होते हैं। एक सही अवस्था ( $z_i=1$ ) तक पहुँचने के बाद, अतिरिक्त चरण उत्पन्न होने के साथ सही रहने की संभावना तेजी से गिरती है, जो ~100 चरणों के बाद 0.2 पर स्थिर हो जाती है।
उत्तर प्रारूप संवेदनशीलता (Answer Format Sensitivity): हानिकारक ओवरथिंकिंग फ्री-फॉर्म जनरेशन (24% दर) में मल्टीपल-चॉइस (11%) की तुलना में अधिक प्रचलित है। फ्री-फॉर्म कार्यों में अनियंत्रित आउटपुट स्पेस मॉडल के लिए unsupported संशोधनों या पुनर्व्याख्याओं के माध्यम से एक सही उत्तर से भटकना आसान बनाता है।
सरल अर्ली स्टॉपिंग की अप्रभावीता:
- मानक अर्ली स्टॉपिंग (जैसे, जब उत्तर $K$ चरणों के लिए स्थिर हो जाता है, तब रुकना) औसत तर्क लंबाई को कम करती है लेकिन हानिकारक ओवरथिंकिंग को कम करने में विफल रहती है।
- कुछ मामलों में, आक्रामक अर्ली स्टॉपिंग हानिकारक ओवरथिंकिंग दर को बढ़ा देती है (जैसे, एक सेटिंग में 10.1% से 18.4% तक), जो यह सुझाव देता है कि वर्बोसिटी को कम करने से स्वचालित रूप से तर्क प्रक्षेपवक्र स्थिर नहीं होता है।

3.3 भाषा-मात्र मॉडलों में सामान्यीकरण

यह घटना केवल मल्टीमॉडल रीजनिंग तक सीमित नहीं है। गणित-प्रधान बेंचमार्क्स (AIME2025, GPQA) पर भाषा-मात्र मॉडल समान पैटर्न प्रदर्शित करते हैं:

No-CoT की तुलना में डिफ़ॉल्ट रीजनिंग में सुधार होता है, लेकिन Optimal Length भारी लाभ प्रदान करता है (जैसे, AIME2025 पर Qwen3 के लिए 58.3% $\to$ 91.7%)।
यह पुष्टि करता है कि हानिकारक ओवरथिंकिंग एक व्यापक विश्वसनीयता जोखिम है जो स्वयं रीजनिंग प्रक्रिया का हिस्सा है, न कि केवल विजुअल ग्राउंडिंग का उपोत्पाद।

3.4 विफलता विश्लेषण

4,842 हानिकारक ट्रेसेस के विश्लेषण से सही उत्तर से विचलन के प्राथमिक कारण सामने आए हैं:

तार्किक विचलन (Logical Drift): अमूर्त तर्क बेंचमार्क्स (जैसे, MathVerse पर >50%) पर प्रमुख विफलता मोड। मॉडल विरोधाभास, अप्रासंगिक भटकाव, या अनुचित उत्तर संशोधन पेश करते हैं।
दृश्य पुनर्व्याख्या (Visual Reinterpretation): धारणा-प्रधान बेंचमार्क्स (जैसे, MathVision/AI2D पर >60%) पर प्रमुख विफलता मोड। मॉडल शुरू में समस्या को सही ढंग से हल करने के बाद दृश्य साक्ष्य को गलत पढ़ते हैं, मनगढ़ंत बनाते हैं, या उनकी अत्यधिक व्याख्या करते हैं।
गणना त्रुटियाँ (Calculation Errors): हानिकारक ओवरथिंकिंग के एक छोटे अंश (<10%) के लिए जिम्मेदार हैं, जो दर्शाता है कि अंकगणितीय गलतियाँ अस्थिरता का प्राथमिक चालक नहीं हैं।

4. मुख्य योगदान

औपचारिककरण: रीजनिंग पर्याप्तता के माध्यम से ओवरथिंकिंग को परिभाषित किया, वर्बोस (अनावश्यक) ओवरथिंकिंग को हानिकारक (अस्थिर करने वाले) ओवरथिंकिंग से अलग किया।
प्रोटोकॉल: तर्क पर्याप्तता और शुद्धता अस्थिरता को गतिशील रूप से मापने के लिए एक प्रिफिक्स-स्तरीय प्रक्षेपवक्र मूल्यांकन प्रोटोकॉल पेश किया।
परिमाणीकरण: यह प्रदर्शित किया कि हानिकारक ओवरथिंकिंग मल्टीमॉडल और भाषा-मात्र बेंचमार्क्स में व्यवस्थित है, जो अक्सर मॉडल को शुरुआती सही उत्तरों से गलत अंतिम भविष्यवाणियों की ओर ले जाती है।
वर्गीकरण: पहचान की कि शुद्धता विचलन मुख्य रूप से तार्किक विचलन और दृश्य पुनर्व्याख्या द्वारा संचालित होते हैं, न कि अंकगणितीय सीमाओं द्वारा।

5. महत्व और दावे

यह शोध पत्र टेस्ट-टाइम स्केलिंग के इस एकतरफा दृष्टिकोण को चुनौती देता है कि यह केवल फायदेमंद होता है। यह तर्क देता है कि सही मात्रा में तर्क आवंटित करना अक्सर केवल तर्क सक्षम करने से अधिक महत्वपूर्ण होता है।

विश्वसनीयता बनाम दक्षता: लेखक तर्क देते हैं कि ओवरथिंकिंग एक विश्वसनीयता मुद्दा है, न कि केवल एक दक्षता का मुद्दा। दक्षता पर केंद्रित वर्तमान रणनीतियाँ (जो वर्बोसिटी को कम करने पर ध्यान केंद्रित करती हैं) तर्क प्रक्रिया की मूल अस्थिरता को संबोधित नहीं करती हैं।
"रुकने" की समस्या: परिणाम बताते हैं कि वर्तमान LRMs की एक बड़ी सीमा यह है कि वे यह पहचानने में असमर्थ हैं कि एक समाधान कब पर्याप्त है। "ऑप्टिमल लेंथ" रणनीति (एक ओरेकल) दिखाती है कि महत्वपूर्ण प्रदर्शन लाभ संभव हैं यदि मॉडल केवल सही उत्तर मिलने पर तर्क करना बंद कर सके।
भविष्य की दिशा: यह कार्य न केवल मॉडलों को अधिक तर्क करने में मदद करने पर, बल्कि उन्हें यह समझने में मदद करने पर भी ध्यान केंद्रित करने के लिए भविष्य के अनुसंधान का आह्वान करता है कि तर्क कब पर्याप्त है, जिससे सही प्रक्षेपपथों के अस्थिर होने को रोका जा सके।

शोध पत्र निष्कर्ष निकालता है कि हानिकारक ओवरथिंकिंग एक मौलिक विश्वसनीयता जोखिम है जिसके लिए सरल अर्ली स्टॉपिंग या लंबाई में कमी से परे विशिष्ट शमन रणनीतियों (mitigation strategies) की आवश्यकता है।