ReBeCA：通过因果分析揭示语言模型迭代自我反思背后的可解释行为层级

尽管自我反思能提升语言模型可靠性，但其底层机制仍不透明。本文提出 ReBeCA 框架，通过将自我反思轨迹建模为因果图，利用不变因果预测（ICP）流程隔离性能的真实决定因素。研究发现：模型语义行为分层影响反思结果；仅少数行为具有泛化因果效应；看似积极的行为叠加反而可能削弱反思效能。该方法在跨任务及分布外数据中验证了稀疏因果父节点的稳定性，为区分真实因果机制与虚假关联提供了严谨方法论。