在视觉语言模型（VLMs）中，传统的不确定性量化主要针对答案令牌分布。本文首次对思考模式下的答案熵行为进行了三种模型的实证特征化。
我们在相同的POPE对抗样本上运行四个模型，发现三种定性不同的模式：Qwen3-VL-8B-Thinking模型完全崩溃（ans H AUROC = 0.492）；GLM-4.1V-9B-Thinking模型没有崩溃（0.716）；而InternVL3-8B模型表现出选择性思考（仅在50%的样本中生成链，ans H = 0.675完整 / 0.602仅思考）。
在所有三个思考模式模型中，思考链熵在生成链的子集上超越了答案熵（0.647, 0.759, 0.608 vs. 0.492, 0.716, 0.602），这表明链信号在存在链的情况下是更可靠的预测指标。此现象在Qwen和GLM模型中表现得尤为明显，而InternVL3仅有边际且统计上不可靠的优势（n_FP = 17）。
在一个300样本的VQAv2初步实验中，链熵（0.680）超越了答案熵（0.595），且在自由形式答案中差距最大（0.733 vs. 0.467）。
在更困难的推理任务（HallusionBench）中，两个Qwen模型显示出适度信号（约0.64），与在难题上未完全承诺一致。此外，我们还记录了结构性弃权影响了12-22%的查询，且对缺失对象查询存在不对称性；一个实用的弃权门将准确率从71.0%提升至93.8%，覆盖率为62.7%，且没有额外的推理成本。
博主点评： 本文通过对不同视觉语言模型在思考模式下的表现进行深入分析，揭示了推理链熵在预测中的重要性，尤其是在复杂问题上的应用潜力。这为未来的模型优化和不确定性评估提供了新的视角和方法论。