---
title: "Thinking Supervision Transfer"
created: 2026-06-10
updated: 2026-06-10
type: concept
tags: [recommendation, chain-of-thought, supervision-transfer]
sources: [raw/papers/onereason-team-onereason-2026.md]
---

# Thinking Supervision Transfer

> CoT 监督数据对 non-thinking mode 的性能溢出效应——用 CoT 训练数据替换 unCoT 数据可提升直接解码性能。

## 观察

OneReason 实验发现：在相同训练 token 数下，用推荐 CoT 监督数据替换 unCoT 数据训练时，**non-thinking mode 的性能也得到提升**。

## 解释假设

本文审慎地将其视为**行为证据 (behavioral evidence)** 而非机制证明：

- CoT 监督信号中的某些成分可能迁移到直接解码
- 这种迁移可能来自**压缩**（CoT 迫使模型学习更好的中间表示，从而改善直接输出）、**推理**（CoT 中的推理模式被内化到前向传播中）、或**两者的交互**
- 目前证据无法区分这些机制

## 与 LLM 中类似现象的关联

这一发现与 LLM 中「reasoning model 的蒸馏提升 base model 表现」的现象一致——如用 o1 生成的 CoT 数据微调 GPT-4o 可提升直接回答质量。

## 实际意义

- 即使最终部署 non-thinking mode（低延迟），用 CoT 数据训练仍有收益
- 这为推荐系统的训练数据设计提供了新的自由度
- 但不意味着 CoT 是普遍必要的

## 参考

- [[onereason|OneReason]]
- [[recommendation-cot|推荐 CoT]]
- [[recommendation-reasoning|推荐推理]]