过滤推理分数：在模型最自信轨迹上评估推理质量

大型语言模型在推理基准测试中虽准确率高，但仅凭结果无法反映推理质量，存在因记忆或过优化导致错误推理得出正确答案的现象。本文提出超越基于结果的评估，从忠实度、连贯性、效用性和事实性等维度量化推理质量。针对多轨迹聚合难题，作者引入“过滤推理分数”（FRS），仅利用置信度最高的前 K% 轨迹进行计算。实验表明，FRS 能有效区分准确率相近模型的推理能力差异，且具有高泛化性，是准确率指标的重要补充。