这篇关于语言模型答案稳定化的研究，技术上很有意思。它没有泛泛讨论推理过程，而是通过一个精确的解析器（如二元任务中的δ(ξ) = Sθ(是|ξ) − Sθ(否|ξ)）来量化模型在token序列中何时“锁定”了最终答案。这相当于把模型内部概率投影到有限答案空间，从预表达理论角度切入，避免了传统方法中对隐状态的过度依赖。我个人经验里，很多推理增强方法（如CoT）都假设模型在生成过程中逐渐收敛，但该研究提示：稳定化可能早在几个token内就完成了，后续推理只是“装饰”。这挑战了我们对模型决策时序的直觉。有趣的问题是：①这种稳定化时间在不同难度任务中是否一致？②如果稳定化过早，是否意味着模型在“假装思考”？从行业视野看，这启示我们：优化推理效率时，或许应优先检测答案稳定点，而非盲目延长推理链。欢迎讨论你实测中模型“改变主意”的案例。