我的模型在“思维脱口而出”吗？利用递归量化分析（RQA）解读推理标记的动态

测试时计算对大型推理模型至关重要，但通过生成文本分析其推理行为日益不切实际且不可靠。响应长度常作为推理努力的粗略代理，却无法捕捉思维链（CoT）或生成标记的动态与有效性。本文提出递归量化分析（RQA），作为一种非文本替代方案，用于分析测试时的模型推理链。通过将标记生成视为动力系统，提取每一步的隐藏嵌入并应用 RQA 分析轨迹。RQA 指标（如确定性和层流性）量化了潜在表示中的重复与停滞模式。通过分析 DeepSeek-R1-Distill 的 3600 条生成轨迹，结果显示 RQA 能捕捉响应长度未反映的信号，并将任务复杂度预测准确率显著提升 8%。