一分钟读论文：《推理链里的顿悟时刻，多半是预算给的错觉》

Yigit Utku Bulut 的单作者预印本《It’s the Problem, Not the Path: Budget and Difficulty Confounds in LLM Reasoning Trajectories》（arXiv:2609.03436，2026 年 9 月 3 日提交，abs 页未标注机构）给近两年两种流行的推理轨迹读法各补上了一个此前缺失的反事实对照，结论是：被广泛引用的「顿悟时刻」在作者测试范围内几乎全是继续生成预算造成的错觉，而「从早期内部信号提前读出这条推理会不会成功」的高分评测，多半只是题目难度本身好猜。两种测法都缺同一个东西——对照组。

重启对照：顿悟点输给了预算

第一种流行说法认为，推理链里存在 breakthrough（顿悟）时刻，即某一步之后累积的推理突然解锁了解法。论文的检验方式叫重启对照截断探针：把模型写到一半的前缀继续写完，测解出率；同时让模型从空白重新开始，对齐到相同的总生成 token 预算，画出一条「纯花钱买计算」的重启曲线。如果某个点真是顿悟，继续写前缀应当显著胜过同预算的重启。实验覆盖 178 个题目-模型组合（89 道 MATH 题乘以两个小型开源模型），结果是恰好 1 of 178——只有 1 个组合能称为前缀真的携带了新计算买不来的价值。而在对齐预算落在重启网格内的全部位置，沿用自己前缀继续写胜过从头重来的比例是 9/9：推理链的价值在于「压缩计算」（compute compression），而不是扩大模型能解出题目的边界。

难度基线：早期探针赢不过只看题目

第二种流行说法是训练探针读早期内部激活，预测当前这条推理最终成败，公开报告的池化 AUROC（把不同题目的样本混在一起算的区分度指标）常常很高。论文构造了一个完全不看轨迹、只看题目特征的难度代理，在 192K 条 DeepSeek-R1 公开生成上就拿到 AUROC 0.873——已经落进已发表探针法的报告区间。也就是说，探针可能只是在认题。作者随后对最接近的一篇已发表阳性结果做了贴近复现：池化口径下 0.849 能被复刻，但一旦收进到同一道题内部比较（within-problem），十个锚点全部与抛硬币无异，t=4 处只有 0.496。这道难度对照在文献自己的数据上也成立：128 道 MATH 题乘 256 条 R1-Distill-Qwen-7B 公开 dump，以及 GPQA-diamond 的 16,384 条 Llama-3.3-70B 生成上，同一估计器达到 0.917。作者的结论限定在池化评测方式：早期窗口内的内部信号，超出题目难度基线之后测不出结果信息。

方法论处方：预设注册与对照设计

需要说明这篇工作的证据等级：它是未经同行评审的单作者预印本，但核心实验采用了预设注册（pre-registered）设计，假设、对照和统计口径先写进协议再跑数据。作者也给出了边界：1/178 不等于 0，他们承认有一个组合前缀确实受限；针对池化盲区补做的探索性探针只找到很小的平均残余信息，且集中在三个低失败率题目上。对做过程奖励模型、提前退出或可解释性的团队，这篇论文的可迁移处方是两条：任何轨迹层面的预测结论，先跑一遍只看题目的基线；任何「继续写更好」的结论，先对齐总预算再做重启对照。已发的《把题目改错，模型的推理链纹丝不动》问的是推理链说的话算不算模型真实计算过程，属于忠实性轴；这篇问的是我们从轨迹外部读出的统计结论是不是测量伪影，两篇是不同层面的体检。

References

• arXiv:2609.03436
• 预设注册与协议时间线见论文附录 A