读出捷径：位置数复制主导小型语言模型中的算术链思推理读出

链式思维（Chain-of-thought, CoT）提示是小型语言模型进行算术计算的必要条件，但对其步骤进行随机排列后仍能保留大部分性能。若非逻辑序列，CoT 究竟贡献了什么？本文在三款 1-3B 参数的指令微调语言模型上测试 GSM8K 数据集，通过前缀完成技术隔离答案读出阶段，发现存在一种位置捷径：模型无论中间推理如何，都会复制答案分隔符前 trailing 位置的数字。金标准答案的存在导致准确率提升 54-92 个百分点（占该模型教学强制上限的 89-92%），即便在错误样本上，最终答案与最后一个 CoT 数字的匹配率也高达 95-96%。复制通道优先于保留上下文完成：将 trailing 数字替换为错误值会使准确率几乎归零，尽管中间推理正确；但若移除该数字，准确率可回升 5-32 个百分点——即便是模型本可以单步完成的算术计算，在可复制数字存在时也会被抑制。Qwen 和 Llama 在复制新型干扰项时占比 87-95%；Gemma 则采用选择性门控机制。Head 级别的消融实验指向特定于模型的注意力头集合；该效应在 GSM-Symbolic 数据集上也能复制。在非算术 BBH 任务上，随机排列后的保留率会急剧下降；在 7-8B 参数规模时，出现内容选择性门控。步骤级别的忠诚度评估风险会将位置答案传递混淆为真实计算——这是一种针对 CoT 基于监督方法的失效模式。