链式思考（CoT）监控默认模型写出的推理文本与直接产生答案的计算过程相一致。过去的忠实度度量大多是行为层面的：修改推理文本，观察答案是否改变。然而，我们的目标是从激活层面以因果方式衡量忠实度，尤其针对模型自行生成的推理。不同于以往只检测性能下降的因果审计，我们的干预带有明确的预测目标——每一次补丁都应把答案切换到一个可构造的反事实实体。实验使用合成的多跳查找任务（2‑6 跳），在模型陈述每一步中间的 token 区间，将该位置的残差流（residual stream）替换为来自一次反事实运行的对应激活。对 Qwen3‑4B 的测量显示，在最敏感的中层网络（mid‑network）上，76.9% ± 2.8% 的陈述步骤是因果负载的（随机位置基线 11.3%；对底层提示事实的补丁效果 83%，说明陈述步骤承担了约 96% 的可实现影响）。同一批次的标准行为测试得到 88.2%，比因果忠实度高出 11.4 个百分点（匹配项目；111:14 不一致对，p < 0.05）。
点评