检测-提取间隙：模型在能说出答案前已知答案

现代推理模型持续生成长文本，直到答案已被确定。我们在五种模型配置、两个家族和三个基准测试中发现，52--88% 的链式思维 token 在答案可从部分前缀中恢复后才被生成。这种 post-commitment 生成揭示了一种结构性现象：检测-提取间隙。来自早期前缀的自由 continuation 可在仅占轨迹 10% 时恢复正确答案，而受强制提取限制则在 42% 的情况下失败。答案可从模型状态中恢复，但基于提示的解码未能提取它。我们通过在自由和强制 continuation 分布之间建立总变差界来正式化这一不匹配，从而对后缀引起的偏移量进行定量估计。利用这种不对称性，我们提出 Black-box Adaptive Early Exit (BAEE)，其使用自由 continuation 进行检测和提取，在截断 70--78% 的串行生成的同时，通过 1--5pp 的准确率提升适用于所有模型。对于 thinking-mode 模型，early exit 可防止 post-commitment 覆盖，提升最高可达 5.8pp；一种成本优化变体在中位数仅 9 个 API 调用的情况下实现 68--73% 的减少。代码已公开于 https://github.com/EdWangLoDaSc/know2say。