当 LLM 智能体面对表面噪声时是否如此？基于 68 单元测量研究及持留样轨迹级验证

我们记录了链路思考和 ReAct 智能体在十个大型语言模型（来自七个架构家族）中的一个经验现象： 含义携带扰动（如改写、同义词）比相当严重程度的呈现扰动（如格式、重排序）更常改变最终答案。 在跨越 GSM8K、MATH 和 HotpotQA 的 68 个单元格（1530 个原本和约 11150 个变体）中， 在严重程度匹配后 不一致间隙平均为 +19.69 百分点（配对 $t=9.58$， $p<0.0001$）， 其中 64/68 单元格为正。 该间隙在四个严重程度代理审计中仍然存在 并在排除 qwen 模型后仍显著（+11.10 百分点， $p<0.0001$）。 多个压力测试未诚实地失败： 聚类引导显著性在更严格假设下消失， 可行性对比未复制， 跨架构生成器交换破坏单元格级排名， 第二个 LLM 评判器仅实现中度一致性（$\kappa=0.50$）。 我们随后在完全持留样 11 个模型（qwen2.5-14B-Instruct； 1800 个轨迹）上验证标题效应 并重新测试一个预先注册的能力$\times$可行性分区， 在持留样轨迹中观察到一个小但正的持留样效应（3/4 单元格为正； 合并 Welch $t=3.81$， $p=9.6\times10^{-4}$）。 通过持留样轨迹，我们探测了四个轨迹级机制信号。 两个先前的机制主张未复制 被明确撤回。 两个新的探针则支持一种\emph{stealth-divergence}图景： 语义扰动通常保留第一个动作 但在后续步骤开始时引起推理分歧 并伴随稍深的轨迹。 我们将此定位为一种具有持留样复制的测量贡献 以及语义扰动如何通过智能体推理传播的部分轨迹级解释。 代码、扰动语料库、原始轨迹 和分析脚本均匿名发布以供审查。