C2-Faith：基准测试大语言模型法官在思维链推理中的因果与覆盖忠实度

大语言模型日益被用作思维链推理的评判者，但其能否可靠评估过程忠实度而非仅答案合理性尚不明确。本文提出 C2-Faith 基准，基于 PRM800K 构建，聚焦忠实度的两个互补维度：因果性（每步是否逻辑连贯）与覆盖度（关键中间推断是否存在）。通过受控扰动生成含已知因果错误位置及不同删除率的样本，评估三种前沿模型在二元因果检测、因果步骤定位及覆盖度评分任务上的表现。结果表明模型排名高度依赖任务设定，且所有模型在错误检测与定位间存在显著差距，覆盖度判断常系统性高估。