从装饰到承重：任务难度塑造思维链的因果作用

论文提出基于续写的因果测试方法，通过扰动、截断单步推理并强制模型从损坏前缀继续，衡量 CoT 对最终答案的承载程度。在 Gemma-2-9B-IT、Llama-3.1-8B-Instruct、DeepSeek-R1-Distill-Qwen-7B 上测试 GSM8K、MMLU、BIG-Bench Hard 发现：任务越难，CoT 越具承载性；简单任务模型会静默绕开自身推理，困难任务则跟随损坏步骤并传播错误。

此前 CoT 监控常被默认等同于模型真实推理依据，该研究把“可读性”与“因果承载性”区分开，并给出量化证据：可读的推理轨迹未必约束答案，真正影响答案的困难任务上错误又会在监控介入前扩散。

方法用消融式补丁干预单步推理、截断链条并强制续写，观察损坏前缀是否改变最终答案，从而把 CoT 承载性定义为行为概念而非机制忠实性。2x2 匹配分析与 28,584 次续写的方差分解显示任务难度解释 98.8% 的可解释偏差，扰动类型仅占 0.8%，说明模型是否依赖推理链主要由难度决定。

对依赖 CoT 做安全监控、审计或可解释性展示的产品，需按任务难度分层设计监控，而不能仅凭推理轨迹是否通顺判断可靠性；困难任务上需增加前置干预或外部校验，否则错误会在监控介入前传播。

• 在 AI 监控产品中按任务难度对 CoT 承载性打分，区分可读轨迹与真正影响答案的轨迹。
• 为困难任务构建前置校验或分支截断检测流程，减少错误在监控介入前扩散。
• 用续写式因果测试作为模型上线前的评测项，对比不同模型与 RL 训练版本的承载性。
• 基于隐藏状态线性探针开发静默绕开与自我纠正的识别功能，辅助审计工具。

• 该结论是否适用于 GSM8K、MMLU、BIG-Bench Hard 之外的开放生成或多轮任务？
• 推理专用 RL 抑制错误传播的机制是否在不同训练配方和模型规模上稳定？
• 续写式因果测试的计算成本能否支撑生产环境的实时监控？
• 隐藏状态线性探针在真实部署中的误报率与泛化性尚未验证。