当内置思维有所帮助和有害时：指令跟随中的约束级错误转移

大型推理模型 (LRM) 通常可以提高数学和编码性能，但它们对指令遵循的影响尚不清楚。我们使用 Qwen3 模型 (1.7B-32B) 研究 IFEval，使用相同权重的 Thinking ON/OFF 控制；四种混元车型提供定向跨家庭支持。总体通过率变化很小（-0.55 到 -3.52 pp），但 10-20% 的提示会在通过和失败之间切换，这表明思维改变了错误模式——一些提示改善，而另一些提示恶化——而不是一致降低性能。在 Qwen3 派生的事后分组下，约束类型分为规划（全局计数、结构、协调）和精度（精确局部形式），前者在思维下在类级别上有所改善，后者持续恶化；尽管浑源的总体方向相反，但类级规划/精度符号模式对于所有四种浑源模型都具有方向性。思考也会改变最终答案的长度；匹配长度分析大大减少了精度下降，但仍然存在残余损失。使用跨编码器相关性度量分析思维轨迹揭示了三种模式：中性显示出积极的相关性合规性链接（r 约为 0.15）；尽管跟踪参与度可测量，但规划显示预测相关性接近于零（r 约为 0.02），这与 CE 测量的跟踪相关性和最终答案合规性之间的执行差距一致；精度显示出较小的负相关性（r 约为 -0.05），失败的实例比通过的实例具有更高的平均相关性。跨四种模型大小 (1.7B-14B) 的激活修补显示，Precision 翻转实例比 Planning 翻转实例更常恢复（平均层恢复为 32-58% vs. 14-40%），最大差距为 14B（约 30 pp）。