正确答案、无效轨迹：可验证小学数学揭示的思维链真相

思维链轨迹常被当作模型得出答案过程的记录，用于调试、Agent 审计和推理主张。检验这一解读很困难，因为自然语言思维轨迹很少能被机械验证。作者在 iGSM 这一为研究思维轨迹而设计、并被用于支持“习得推理与规划”主张的合成小学数学基准上重新审视该问题。iGSM 暴露了正确解法应使用的确切量与依赖关系，使生成的轨迹可被逐步程序化检查，从而检验正确答案是否可靠伴随有效轨迹。作者先评估仅在有效、最小轨迹上训练的模型：答案正确性与轨迹有效性在分布内几乎重合，但在分布外解耦——在最难实例上，31.6% 的正确答案轨迹无效，其中过半通过全部语法与算术检查。

AI推荐理由 利用 iGSM 合成小学数学基准可程序化逐步校验思维链的特性，检验“正确答案是否可靠伴随有效轨迹”。发现答案正确性与轨迹有效性在分布内几乎重合，但在分布外解耦：在最难实例上 31.6% 的正确答案轨迹无效，其中过半通过全部语法与算术检查。对把 CoT 当作推理记录用于调试和 Agent 审计的做法提出直接质疑，证据可机械验证，价值较高。