当大语言模型在逻辑题上给出错误答案时，我们通常会下一个很快的结论：它不会做这道题。
但这个结论真的可靠吗？
想象一下：学生已经在草稿纸上写出了正确推导，交卷时却把答案栏涂错了。只看答题卡，我们会说他 “不会”；如果能同时检查草稿，就会发现问题出在最后一步的表达。
北京大学研究团队 和 易鑫（YIXIN）AI Lab 围绕大模型推理评测与内部表征展开合作，共同追问一个看似简单、却可能影响我们解读 Benchmark 结果的问题：
当模型答错一道逻辑题时，它是真的没有想出来，还是已经想到了，却没有把正确答案表达出来？
这项研究提出了一个专用于大模型的诊断视角：模型很可能已经在隐藏状态（Hidden States）中编码了正确答案，却在将其转换为最终候选分数的过程中，被输出层的系统性偏差给 “掩盖” 了。作者将这一现象命名为 “读出瓶颈”（Readout Bottleneck），并设计了一套分阶段的诊断方法来验证 “答错” 究竟是能力缺失，还是表达失真。
该工作已被自然语言处理顶级会议 EMNLP 2026 主会接收（录取率 15.4%）。
-
论文题目： Wrong Prediction, Right Answer: Recovering Evidence from Collapsed LLM Sequence Scores
-
作者： Qiyao Yan、Chenpeng Wang、Liangming Pan
-
合作单位： 北京大学、易鑫（YIXIN）YiXin-AILab
-
Arxiv 链接：https://arxiv.org/abs/2608.31068
1. 一个常被忽视的混淆：答错，真的等于不会吗？
在目前的逻辑推理评测（多选题或固定选项）中，标准流程非常统一：1）输入题干 ，2）计算每个候选答案的 Logit 分数，3）取最高分项 ，4）统计准确率。大家习惯性地将最终得分低，等同于 “模型缺乏该项推理能力”。
但作者团队指出，这里存在一个被长期混淆的因果断裂：模型最终输出错误，究竟是因为内部根本没推导出来，还是推导出来了，却在最后一步的输出映射中被 “读坏了”？
图 1：论文的三步诊断链。关键问题不是 “模型最后选了什么”，而是 “正确答案的信息在哪一步丢失了”。
为了把这两者彻底拆开，作者在不同难度梯度的测试集上（包括基础同分布的 id、考查更长推理链的 depth、以及替换了词汇表达的困难切片 lexical-OOD），对模型推理过程中的不同 “读出” 节点进行了对比：
-
隐藏状态早已 “知道” 答案：不管是在提示词刚结束时（Prompt-end probe），还是在紧接着 Answer: 标记之后的节点（Answer-slot probe），线性探针都能以极高的准确率解码出正确答案。以 Qwen3.5-9B 在最难的 lexical 切分为例，此时探针准确率高达 0.830。
-
两段式的 “表达坍塌”：然而，当这股正确的逻辑信息流经模型固有的词表矩阵（Same-position label logits）时，信号开始大幅衰减至 0.574。更致命的是，哪怕模型在预测第一个词元时（First-label-token score）还勉强保留了一丝优势，一旦将整个候选短语的对数概率进行累加（Full string score），误差就会被无限放大，准确率瞬间跌至 0.333—— 彻底沦为三分类的完全盲猜。
在 Qwen3.5 系列模型 的受控逻辑测试（Lexical-OOD）上，对比结果如下：
表1：Qwen3.5 模型不同“读出”方式的准确率对比。
当在模型输出答案标签前接入线性探针（Linear Probe）时，探针能以极高的准确率（如 Qwen3.5-9B 在 lexical-OOD 切分上达 0.830）解码出正确答案。然而，当这股信息流经词表投影，聚合成最终候选序列分数时，准确率却断崖式下跌至 0.333（等同于三分类的随机盲猜）。模型并非逻辑推导失败，而是被输出层的系统性结构偏置（如偏好 “unknown” 等安全标签）掩盖了真实判断。
更夸张的是，在原生序列打分下，Qwen3.5-9B 在 1,000 道测试题中竟有 999 道被判为了同一个标签（unknown）。这显然不是每道题都在逻辑上遭遇了独立失败，而是输出层存在一个极强的全局偏好，把样本之间的实例级逻辑差异硬生生碾平了。
甚至在未经任何指令微调的原始底座模型（Base Model）上，这一现象依然稳固存在（Qwen3.5-9B-Base 探针 87.3%，序列打分仅 36.1%）。
核心结论：模型的推理信号并未在深层消失，但从内部隐变量走向原生词表与序列累加的过程中，存在一个严重的读出瓶颈（Readout Bottleneck）。
2. 极简修正：只动 2 个参数，唤醒被 “封印” 的推理能力
如果原生序列分数真的只是一层被 “全局偏置” 扭曲的信号，那它内部是否还残留着针对具体题目的相对排序？
论文提出了一个判定逻辑：将候选分数的生成过程解构为两部分：
其中
是随具体题目变化的逻辑信号，而
则是与标签绑定、不随样本改变的结构性偏置。当
过大时，
自然被全局绑架。
为了验证
是否仍然有效，作者设计了一种极度克制的诊断干预：不对模型参数做任何改动，也不使用任何测试集标签，仅对每个候选类别增加一个全局标量偏移量
：
在三分类任务中，固定一个基准项后，自由参数仅仅剩下 2 个。这两个参数完全在无标签的上下文分数上，通过网格搜索使其预测分布贴合类别先验（如均匀分布）完成拟合，随后直接在独立的 Held-out 测试集上冻结评测。
这种干预的能力上限被死死限制住：
-
它只有 2 个参数，绝不可能学会复杂的 “输入 - 推理 - 输出” 任务映射；
-
它是全局常数平移，不可能改变同一个类别内部不同样本的相对好坏。
如果这区区两个参数能在测试集上救回大量错题，唯一的解释就是：模型给出的原始分数差值里，本来就保留着正确的相对排序证据。
图 2：灰条为原生序列准确率（虚线为 1/3 随机线），蓝条为两参数无标签先验修正后成绩；下方绿条展示逐样本净拯救数（校准单独答对数减去原生单独答对数）。
实验在四大推理任务上展现出惊人的一致性：
-
Synthetic 逻辑任务：Qwen3.5-4B 与 9B 的准确率从 33.3% 盲猜直接拉升至 57.0% 和 60.2%，净挽救错题超过 230 道；
-
ProofWriter 自然语言演绎：模型从完全坍塌的 33.3% 暴涨至 65.3% 和 67.8%，单任务挽救了超过 320 道原本判错的题；
-
FOLIO 与 ANLI 进阶推理：即使面对高度复杂的一阶逻辑与对抗性 NLI，修正依然带来了 9 到 29 个百分点的稳健恢复。
跨模型验证同样成立：OLMo-2-1B 的准确率从 0.362 提升至 0.566，Llama-3.1-8B 从 0.333 提升至 0.477（置换检验均为
）。
更关键的是样本效率（Sample Efficiency）：因为拟合的只是极低维的偏置，在 30 次随机子采样中，仅需 25 个无标签样本，Qwen3.5 就能找回绝大部分丢失的准确率，继续追加数据至 1,000 个时表现基本饱和。这彻底排除了 “修正是在暗中重新学习任务” 的假说。
3. 严格因果对照：排除 “作弊” 与 “幻觉”
面对 30 多个百分点的回弹，审慎的研究者必然会追问：这会不会只是投机取巧？比如利用了词汇重叠的浅层捷径，或者仅仅是把预测直方图强行拉平带来的运气？
作者在论文中通过两道最严苛的对照控制，封死了所有的替代解释：
图 3：A 组针对词袋分类器（TF-IDF）失效样本的恢复情况，红点标出高出置换零假设的净差距；B 组展示 ProofWriter 随推理深度增加的切片测试。
控制一：专打浅层捷径的 TF-IDF-missed 难例切片
大模型常被质疑是 “聪明汉斯（Clever Hans）”，通过前提与假设之间的表面词汇重叠来投机猜题。 作者用词袋模型（TF-IDF）作为过滤器，将所有仅凭浅层词汇重叠就能做对的样本全部剔除，只留下纯靠词汇线索做不对的硬核难题。 在这些难例切片上，Qwen3.5-4B/9B 的修正后准确率依然稳定维持在 62.2% 和 65.1%。这证明找回来的决定是扎扎实实的语义演绎，与表面字面重叠无关。
控制二：保持标签总数的随机置换检验（Count-preserving Permutation Null）
如果方法仅仅是 “让输出 true /false/unknown 的总比例看起来更平衡”，那么即使把模型修正后的预测标签随机打乱分配，也能获得表面的准确率提升。 作者计算了置换基线（Null Baseline）：Qwen3.5 在所有核心任务上的真实预测表现均显著超越了置换零分布（净超额 gap 普遍在 +0.20 到 +0.30 以上，
）。这证实了该方法不是简单地让模型输出答案全局均衡，而是真正地纠正了模型错误分布的表达。
不过该方法仍然存在一些局限，论文明确列出了三类失效的边界场景：
-
模型内部压根没有形成有效表征：Pythia 系列（410M/12B）在相同流程下未能通过置换检验（
），证明它在内部就没做对，不存在被掩盖的排序； -
基线表现已接近上限：当模型原生精度本身很高时，可供发掘的未被释放信号微乎其微；
-
严重失衡的非受控环境：诊断严重依赖对类别先验的合理假设，在极端长尾或完全未知的任务中，先验本身的估计仍是开放课题。
4. 结论：别让最后一个结果 Token，轻易否定模型的全部推理
这项研究为社区审视 Benchmark 评测方式提供了一个新的视角：大模型的 “内部推理能力” 与 “外部表达通路” 从来都不是同一件事。当评测强行将多步逻辑压缩成单个分类词（Token）的生成打分时，静态线性层（Unembedding）的几何错位与序列打分的累加偏差，极易成为掩盖模型真实智能的 “读出瓶颈”。
这也为思维链（Chain-of-Thought）为什么在长逻辑上更有效提供了一个新的机理注解：让模型通过多步 Token 逐步吐出思考，本质上是将单步输出层沉重的读出负担分散到了序列的演化路径中，从而有效绕开了瓶颈扼杀。
在大模型评测榜单日益泛滥、大家对分数分毫必争的今天，这项工作给出了一个更严谨的视角： 当看到模型在一个任务上给出接近盲猜的分数时，不要急着判定它 “不会做”—— 先看一眼它的隐藏状态。也许模型早就在 “草稿纸” 上算对了全部逻辑，只是最后在 “涂答题卡” 时，被输出层的一点偏置带偏了而已。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com