大规模推理模型（LRM）在给出答案前会生成长链式思考序列，导致推理开销显著。剪枝可以削减计算量，但其效果高度依赖用于估计参数重要性的校准数据。已有工作使用模型自身的生成轨迹进行校准，却对所有推理 token 采用统一处理，未区分其是否对正确推理有贡献。于是剪枝倾向于保留统计显著的权重，而非真正推动正确推理的权重，导致错误计算路径同样被保留，削弱了模型的推理质量，表现为准确率下降且思考链更长。为此我们提出 OBC‑Prune。OBC 首先在模型对同一道题给出不一致答案时，构造难度匹配的正确与错误 rollout 对，然后通过干预分析评估每个推理句子的因果重要性，即移除该句子后对后续预测的影响程度。将得到的因果重要性转化为每个 token 的权重，用以重新缩放一刀切剪枝方法（如 SparseGPT、Wanda、ALPS）中的校准激活，而不改变原有剪枝算法。实验在 DeepSeek‑R1‑Distill‑Qwen 1.5B、7B、14B 模型上，以 40% 与 50% 稀疏度进行评估，分别在 MATH500、LiveCodeBench、AIME 2025 数据集上与最新校准基线比较，几乎在所有模型规模和稀疏度下均取得一致提升。结果表明，保留因果上重要的推理回路远优于仅保留观测激活的统一目标。
点评