最终检查点并不足够：分析训练轨迹中的潜在推理忠实性

潜在推理方法在模型连续隐藏状态中执行多步推断，虽高效但引发忠实性质疑：隐含步骤是否因果驱动最终答案？现有工作仅在收敛检查点发现不忠实行为，未考察其形成过程。本文追踪不同范式下忠实性随训练的变化，结合反事实编辑与噪声消融激活补丁实验。研究发现：输出层面收敛时表现相似但轨迹迥异；激活层面推理步骤的因果贡献随训练衰减，且与输出翻转样本一致；贡献轨迹因答案格式而异。结果表明潜在推理忠实性依赖训练阶段与答案格式。