腾讯一篇论文发现，把多模态模型切到非思考模式，虽然能降低延迟，却会明显抬高用户能看到的响应失败概率。这个结论来自新基准PatternEval，它用2415个提示词做测试，专门看答案形态，而不是只看答案对不对。

四个维度盯住“答得怪”

打开网易新闻 查看精彩图片

PatternEval从四个角度评估：思维链泄露、重复、逻辑矛盾，还有表演性推理。这些问题是正确性检查抓不到的，但用户一眼就能感觉到不对劲。

为什么正确性检查不够用

传统评估只看最终答案是否正确，忽略了模型在“思考过程”里暴露的毛病。PatternEval补上的正是这块空白——答案可能对，但推理过程已经翻车。