强化学习（Reinforcement Learning, RL）催化了大推理模型（Large Reasoning Models, LRMs）的兴起，将机器的推理能力提升至全新高度。在这些模型的性能引发广泛关注的同时，探究驱动这些行为的内部机理已成为同样关键的研究前沿。 本文对 LRMs 的机理理解进行了全面综述，将近年来的研究成果归纳为三个核心维度： 1. 训练动力学（Training Dynamics）

推理机制（Reasoning Mechanisms）

非预期行为（Unintended Behaviors）

通过综合这些见解，我们旨在弥合“黑盒性能”与“机理透明度”之间的鸿沟。最后，我们讨论了尚未得到充分探索的挑战，并勾勒出未来机理研究的路线图，包括对应用可解释性、改进方法论以及统一理论框架的需求。

**1 引言 (Introduction)

过去几年见证了大语言模型（LLMs）推理能力的显著进步。近期，强化学习（Reinforcement Learning, RL）已成为一种激励复杂推理的变革性范式，促使了先进大推理模型（Large Reasoning Models, LRMs）的崛起（DeepSeek-AI et al., 2025; Jaech et al., 2024）。这些模型在数学、编程和逻辑等广泛领域展现出了卓越的性能。值得注意的研究（DeepSeek-AI et al., 2025）表明，基于可验证奖励的强化学习（RL from Verifiable Rewards, RLVR）（DeepSeek-AI et al., 2025; Lambert et al., 2024）训练能够诱导出引人注目的涌现式推理行为，例如长思维链（Extended Reasoning Chains）和自省（Self-reflection）。 尽管取得了这些令人印象深刻的进展，LRMs 在很大程度上仍被视为“黑盒”。许多基础性问题尚无定论，包括：RL 的作用与监督微调（SFT）有何不同？定义 LRM 推理的结构特征是什么？驱动其独特行为的内部机制又是怎样的？此外，非预期行为（如幻觉、不忠实性及过度思考）的根源何在？这种透明度的缺失激发了学术界对机理研究（Mechanistic Research）日益浓厚的兴趣，旨在揭示促使这些模型执行复杂推理的底层过程。 本文对 LRMs 机理研究这一新兴领域进行了全面综述。从研究对象的视角出发（如图 1 所示），我们将相关工作按照面向推理的训练过程、LRM 推理行为以及 LRM 非预期行为进行组织： 1. 面向推理的训练过程 (§2)： 本节探讨专门针对推理能力的训练过程背后的机制。我们首先剖析了 SFT 与 RL 的互补作用 (§2.1)，并考察了 RL 中的关键训练动力学，例如“顿悟时刻（Aha Moments）”如何涌现，以及训练过程中内部表示（Internal Representations）如何演化 (§2.2)。 1. LRM 推理 (§3)： 我们深入探讨了 LRM 推理底层的机制，分析了其输出结果及内部表示。本节探讨了 LRM 推理轨迹（Reasoning Traces）的一般结构特征 (§3.1)、自省等关键行为 (§3.2)，以及支撑这些行为的内在机制 (§3.3)。 1. LRM 非预期行为 (§4)： 我们进一步审视了 LRMs 的副作用，探索了与典型非预期行为相关的行为模式和内部机制，包括幻觉 (§4.1)、不忠实的思维链（CoT） (§4.2)、过度思考 (§4.3) 以及安全性问题 (§4.4)。

贡献与独特性。 本综述的独特之处在于专门聚焦于对 LRMs 的机理理解，这一主题在现有文献中受到的关注相对有限。虽然已有一些综述对大推理模型和 RL 技术进行了概括性回顾（Zhang et al., 2025c; Li et al., 2025f; Zhang et al., 2025h; Xu et al., 2025），但并未深入探讨驱动 LRM 推理的底层机制。特别地，Chen et al. (2025b) 探讨了长 CoT 推理，但主要关注 CoT 输出的行为特征，极少涉及内部机制。此外，虽有综述研究缓解过度思考的方法（Feng et al., 2025; Sui et al., 2025），但其重点在于高效推理技术，而非过度思考背后的机理。据我们所知，本文是首篇全面综述 LRM 机理的工作，对训练过程、推理行为及非预期结果提供了更为详尽且深度的分析。