推理轨迹
推理模型在返回最终答案前生成的内部链式思考过程的外显化文本，通常以独立字段或特殊分隔符返回，但并非所有厂商都会暴露给调用方
时间轴 (近 90 天)
推理轨迹是大语言模型在生成最终答案前逐步输出的中间思考Token序列，能提升复杂任务准确率但消耗大量额外Token
捕获Agent的推理轨迹可以作为安全策略生效的直接证据，若模型明确表达拒绝原因与安全相关则说明策略生效
用污染轨迹训练的模型在跨领域任务中持续优于用正确轨迹训练的对照组，同时它们生成的推理轨迹始终是无效的
研究发现生成推理轨迹的长度在很大程度上与底层问题的难度无关
研究观察到解答的正确性与推理轨迹的有效性之间存在明显的不相关性，模型经常在推理轨迹完全无效的情况下依然得出正确答案
文章建议开发者不要过度信任推理轨迹的可读性，应关注最终答案的正确性而非推理过程的美观程度
研究者认为假设推理轨迹具有类人的或算法上可解释的语义不仅不必要，而且可能具有误导性
后训练阶段的强化学习能在分布内和分布外任务上提升解答准确率，但并不能持续改善推理轨迹的有效性
全部知识事实 (8)
推理轨迹是大语言模型在生成最终答案前逐步输出的中间思考Token序列，能提升复杂任务准确率但消耗大量额外Token
50%待验证捕获Agent的推理轨迹可以作为安全策略生效的直接证据，若模型明确表达拒绝原因与安全相关则说明策略生效
50%待验证用污染轨迹训练的模型在跨领域任务中持续优于用正确轨迹训练的对照组，同时它们生成的推理轨迹始终是无效的
50%待验证研究发现生成推理轨迹的长度在很大程度上与底层问题的难度无关
50%待验证研究观察到解答的正确性与推理轨迹的有效性之间存在明显的不相关性，模型经常在推理轨迹完全无效的情况下依然得出正确答案
50%待验证文章建议开发者不要过度信任推理轨迹的可读性，应关注最终答案的正确性而非推理过程的美观程度
50%待验证研究者认为假设推理轨迹具有类人的或算法上可解释的语义不仅不必要，而且可能具有误导性
50%待验证后训练阶段的强化学习能在分布内和分布外任务上提升解答准确率，但并不能持续改善推理轨迹的有效性
50%