arXiv cs.SE· Vaidehi Hegde·2026-10-23 12:00· 2 小时前AI 评分34

检测不够：把推理轨迹当作可测试的程序假设

Detection Is Not Enough: Reasoning Traces as Testable Program Hypotheses

AI 导读

研究在冻结的 LLaMA-2-7B-chat 上用 GSM8K 检验单条推理轨迹能否在无参考答案、无评判模型、无权重更新下被验证，发现瓶颈不在检测：轨迹自检 AUROC 仅 0.741，三分之二的错误轨迹并未写出错误等式。

来源：arXiv cs.SE · arxiv.org