当小模型因错误原因而正确：可信智能体的过程验证

部署参数为7-9B的小型语言模型作为自主智能体，需要信任其推理过程而非仅其输出。我们揭示了一个关键可靠性危机：50-69%的正确答案包含根本性的推理缺陷——一种标准准确度指标无法察觉的“错误原因正确”现象。通过分析跨三款模型和多样化任务的10,734条推理轨迹，我们引入了推理完整性得分（RIS），该基于过程的指标经与大量评审者间一致性检验（$\kappa=0.657$）验证。我们的发现挑战了常规实践：检索增强生成（RAG）显著提升推理完整性（Cohen's $d=0.23$--$0.93$），但元认知干预如自我批判在小模型上常常损害性能（$d=-0.14$至$-0.33$）。机械分析表明，RAG通过在外部证据上校准计算，使错误率降低7.6%，而元认知则在模型容量不足时放大混淆。为实现部署，我们将验证能力蒸馏为一个神经分类器，实现0.86的F1分数且速度提升100倍。这些结果凸显了面向可信智能体的过程化验证的必要性：仅凭准确性在模型可完全错误原因正确的情况下便显得危险且不足。