尽管大型推理模型（Large Reasoning Models, LRMs）表现出优越的性能，但其推理行为往往具有反直觉性，导致推理能力未能达到最优。为从理论上形式化期望的推理行为，本文提出“推理定律”（Laws of Reasoning, LoRe），构建了一个统一框架，用以刻画LRMs内在的推理模式。我们首先提出“计算定律”（compute law），其核心假设是：推理所需的计算量应与问题复杂度呈线性关系。在此基础上，进一步扩展LoRe框架，引入“准确率定律”（accuracy law）。由于实际中难以精确量化问题复杂度，我们通过检验定律的两个可操作性质——单调性（monotonicity）与组合性（compositionality）——来验证上述假设。为此，我们提出了LoRe-Bench，一个系统化评估大型推理模型上述两项可测性质的基准测试平台。实验结果表明，大多数推理模型展现出合理的单调性，但普遍缺乏组合性。针对这一问题，我们提出一种高效的微调方法，旨在强制模型满足计算定律下的组合性。大量实证研究表明，模型对计算定律的更高遵循程度，能够在多个基准测试上持续提升推理性能，并揭示了不同性质与定律之间的协同效应。项目主页：https://lore-project.github.io/