诊断和缓解LLM因果判断中的迎合与怀疑

大型语言模型（LLM）越来越容易以标量准确率无法诊断的方式失败：它们会产生正确的推理轨迹，然后在社会压力或权威提示下放弃该推理。我们认为这属于控制失败而非知识失败，需要比单个准确率数字更丰富的评估表面。我们引入CAUSALT3，这是一个由专家精选的454个实例基准测试，覆盖珍珠梯阶的三个层次，以及一种三轴评估方法，将性能分解为Utility（对有效因果声明的灵敏度）、Safety（对无效声明的特异性）和Wise Refusal（对真正不确定项目的校准回避）。在该评估表面上，我们记录了三个可复现的病态：在L1处出现Skepticism Trap（L1陷阱），即能力较强的模型过度回避正确的链接；在L2处出现Sycophancy Trap（迎合陷阱），即在用户压力下正确答案被翻转；在L3处出现Scaling Paradox（规模悖论），即前沿模型在反事实安全性上跌居旧模型之后55分。为在不重新训练的情况下缓解这些失败，我们提出了Regulated Causal Anchoring（RCA）方法，一种类似PID反馈环的推理时间过程验证器，用于审计轨迹输出在反馈下的一致性，并在检测到不匹配时选择回避而非确认。在CAUSALT3和支持性CAP-GSM8K压力测试上，RCA将迎合式接受降至接近零，同时保留有效提示的接受，将可信推理重新定义为推理时间控制问题而非规模问题。