推理剧场：解耦模型信念与思维链

Chain-of-Thought Interpretability Early Exit Activation Probing

摘要

本文揭示了推理模型中存在的“表演性思维链”现象，即模型虽已确信最终答案，仍继续生成令牌而不显露内部信念。通过在 DeepSeek-R1 和 GPT-OSS 上的激活探测与强制早停实验，发现简单任务中答案可更早从激活中解码，而困难任务则体现真实推理。尽管存在表演成分，但回溯等转折点仍对应真实的信念波动。基于探针引导的早期退出策略在保持准确率的同时，显著减少了令牌消耗，为检测表演性推理及实现自适应计算提供了高效工具。

AI 推荐理由

核心研究思维链（CoT）机制，揭示表演性推理与真实信念的差异，提出基于探针的早期退出方法。

研究机构

Equal contribution Cambridge, MA Harvard University, Cambridge, MA Correspondence to: Siddharth Boppana Annabel Ma

论文信息

作者 Siddharth Boppana, Annabel Ma, Max Loeffler, Raphael Sarfati, Eric Bigelow et al.

发布日期 2026-03-05

arXiv ID 2603.05488