何时浅层网络胜出：隐式推理中的深度精度悖论与静默失效

数学推理模型广泛应用于教育、自动 tutoring 和决策支持系统，尽管其 exhibits fundamental computational instabilities。我们展示了最先进模型 (Qwen2.5-Math-7B) 通过可靠且不可靠推理路径的混合方式实现 61% 的准确率：18.4% 的正确预测采用稳定、忠实的推理路径，而 81.6% 的正确预测则通过计算不一致的路径实现。此外，8.8% 的所有预测为静默失效——即自信却错误的输出。通过使用新颖的忠实度指标进行全面分析，我们揭示：(1) 推理质量与正确性之间呈现弱负相关 (r=-0.21, p=0.002)，反映了二元分类阈值 artifacts 而非呈单调反关系；(2) 从 1.5B 参数放大到 7B 参数 (4.7 倍增加) 在我们评估的子集上 (GSM8K 的 6%) 提供零准确率提益，需在完整基准上进行验证；(3) 隐式推理采用多样化的计算策略，其中约 20% 共享 CoT-like 模式。这些发现表明，基准准确率可能掩盖计算不可靠性，要求超越单样本指标的稳定性测评进行评估改革。