冗长的思维链真的有用吗？分布内证据表明关键在于内容而非长度

思维链提示提升了大语言模型的推理能力，但其来源尚存争议：是中间步骤的语义内容起作用，还是更多 token 带来的额外计算在生效？本文提供两方面证据：首先在分布内采样对比同一模型生成的长短推理轨迹，发现额外 token 未显著改变准确率，增益源于验证性内容而非冗长本身；其次通过控制实验对比语义相同但 verbosity 不同的轨迹，发现冗长虽有小幅提升，但取决于 prose 质量而非单纯长度。结论表明，关键在于额外 token 承载的推理与验证内容。