当浅层获胜：潜在推理中的静默失败与深度 - 准确性悖论

尽管数学推理模型存在根本性的计算不稳定性，仍被广泛部署。研究表明，最先进模型（如 Qwen2.5-Math-7B）的 61% 准确率混合了可靠与不可靠的推理路径：仅 18.4% 的正确预测源于稳定推理，而 81.6% 来自计算不一致的路径。此外，8.8% 的预测为“静默失败”。分析揭示推理质量与正确性呈弱负相关，参数量扩展未带来显著收益，且潜在推理策略多样。结果强调基准准确率可能掩盖计算不可靠性，呼吁改革评估方法。