研究：模型越大越依赖思维链，且与后训练无关
原文标题：Does Chain-of-Thought Reliance Follow a Scaling Law?Larger Models Follow Their Steps More, Independent of Post-Training
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文在中间状态完全已知的合成换箱任务上，通过替换模型自身思维链中的一步来测量答案对步骤的依赖度，评测 25 个开源权重模型（Qwen3、Gemma 3、Llama 3、OLMo 2）。发现依赖度随规模上升并饱和，Qwen3 从 0.6B 的 16-18% 升至 14B 的 97-100%，且与能力高度相关（r=0.99）；后训练几乎不改变依赖度。结论是规模让思维链更具承重作用，支持在该场景下开展 CoT 监控。
- 问题
- 思维链监控是否有效，取决于答案是否真的依赖写出的步骤，此前缺乏精确真值测量。
- 方法
- 在中间状态完全已知的合成换箱任务中，替换模型自身思维链的一步，观察答案是否跟随被替换的错误状态。
- 结果
- 评测 25 个开源模型各 7200 题；Qwen3 依赖度从 0.6B 的 16-18% 升至 14B 的 97-100%，依赖度与步骤准确率相关 r=0.99，后训练影响不超过 0.03。
- 影响
- 模型越大，思维链越关键，因此对强模型做 CoT 监控更有意义；但 14B 以下模型无法在内部完成推理，监控价值有限。
深读 · 结论先行AI 生成展开看要点与影响 ↓
25个开源模型实验显示：思维链依赖度随规模升至Qwen3 14B的97-100%，且后训练几乎不改变。
- •在中间状态完全已知的合成换箱任务上替换CoT中一步，测量答案是否跟随编辑。
- •Qwen3依赖度从0.6B的16-18%升至14B的97-100%，对数规模拟合R²=0.89，Gemma 3与Llama 3同趋势。
- •依赖度与步骤准确率相关r=0.99，同等能力模型依赖度相同，与模型家族无关。
- •后训练几乎不改变依赖度：4B以上base与post-trained差异最多0.03。
- •14B以内无模型能内部解题，去掉书面步骤后四步以上问题全部接近随机。
为什么重要：为「CoT监控」作为安全手段提供正面证据：模型越大答案越依赖写出的步骤，监控才真正有承重意义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。