一个诊断场景：某AI系统收到一份病例，患者61岁，心导管手术两周后出现网状青斑和急性肾损伤。系统在屏幕上缓缓打出一行行推理步骤——第一步确认时间线，第二步注意到嗜酸性粒细胞增多，第三步考虑栓塞或过敏过程，第四步指向胆固醇栓塞综合征，最终输出答案B。
看起来像一段严谨的医学推理。但把第三步——嗜酸性粒细胞增多——删掉，AI仍然给出同样的答案B。删掉第五步、第七步，答案不变。甚至任意单独保留一步，答案也不变。
这不是修辞。这是arXiv今年3月一篇论文的核心实验（arXiv:2603.22816，Basu & Chakraborty）。作者设计了"步级忠实度评估"：每次移除推理链中的一个句子，看最终答案是否改变。测试对象包括GPT-5.4、Claude Opus 4.6-R、DeepSeek-V3.2、Gemini 2.5 Pro等十款前沿模型，横跨情感分析、数学、主题分类和医学问答四个领域，每个领域376到500道题。
结果在统计上几乎没有模糊地带：移除任意一步，答案改变的概率低于17%；而任意单独一步，足以恢复出正确结论。论文给这种现象起了个名字：装饰性推理（decorative reasoning）。
推理，还是推理表演
链式推理（Chain-of-Thought）2022年被引入时，承诺了两件事：让模型更准，让人类看见推理过程。"think step by step"这句话拯救了无数数学题和逻辑题。这个技巧本身有效——确实带来了准确率的跃升。问题出在准确率和真实推理之间的那道裂缝。
准确率提升不等于推理真实发生。模型可以先通过模式匹配找到答案，再生成一段听起来合理、逻辑连贯的推理文本。答案是对的，过程是编的。这个区别，在医学、法律、金融这些容错率极低的领域，不是技术细节，是生死攸关的问题。
论文提出了一个比"忠实/不忠实"更精细的三分类框架。
装饰性推理：推理链确实改善了输出质量（最高提升94个百分点），但每一步之间互相可替代，删掉任意步答案不变，单独保留任意步也能到达同样结论。这不是推理，是结构化的文本补全——推理表演。
脚手架式推理：推理链中的步骤仍然可互换，但整体结构确实在引导模型走向正确答案。多步框架有用，单独每一步却说不出为什么有用。好比列提纲能帮写文章，但提纲里的每个词都删掉换成别的，文章依然成立。
真实推理：每一步都承载了不可替代的信息。删掉某步答案就会改变，没有哪一步能单独撑起结论。数学领域的DeepSeek-R1是典型——强化学习训练出来的推理模型，在AIME数学题上步级必要性达到91%到93%。
有意思的是DeepSeek提供的因果证据。同一家实验室，同一套基础设施，R1推理模型和通用版V3.2在数学任务上的步级必要性分别是91%和4%。差的不止一个量级。训练目标才是决定性变量，而不是模型规模。
小模型反而更诚实
一个反直觉的发现贯穿整个研究：小模型比大模型更依赖真实的步级推理。0.8B到8B参数的小模型在数学任务上表现出55%的步级必要性，而大型前沿模型的平均值是11%。
论文作者的解释是：前沿模型已经将足够多的数学模式内化为参数知识，显式多步推理对它们来说变得冗余。小模型没有"记住"那么多捷径，必须老老实实一步步推。这个逻辑听起来合理，细想却让人不安：模型越强大，越有能力绕过推理；越需要推理的弱小模型，越不具备那个能力。
还有另一个发现，论文称之为"输出刚性"。在同一批医学题上，Claude Opus写出了11步诊断推理，GPT-OSS-120B只输出一个词。不同模型对自己是否需要"展示推理"这件事，存在巨大分歧。而那些最可能在内部跳过推理的模型，往往也是外部输出最少推理痕迹的模型。这意味着：一切依赖模型自发解释进行评估的方法，都存在盲区——你看见的恰恰是最不需要被看见的那部分。
被架空的Agent安全假设
2026年被行业称为"Agent元年"。从OpenAI的Operator到Anthropic的Claude Agent系统，从企业自动化工作流到多Agent协作架构，一个核心安全假设贯穿整个Agent部署逻辑：人类通过读取AI的推理链实现监督。Agent执行任务时展示推理步骤，人类审核或拦截。
如果推理链是装饰性的，这个假设从根本上失效了。
监督者看到的不是决策过程的忠实记录，而是事后编造的叙事脚本。脚本读起来头头是道，却和内部实际发生的事没有因果联系。Agent可能已经通过某个隐藏的捷径做出了决定，推理链呈现的却是另一条逻辑自洽的路径。
这不是假设性风险。论文测试的正是生产环境中实际部署的模型——GPT-5.4、Claude Opus 4.6-R，都是日活数百万的系统。在医学问答场景下，Claude Opus的步级必要性是2%。换句话说，98%的情况下，它的诊断推理过程中任意一步删掉都对结果毫无影响。把它放进医疗Agent系统，让它"展示推理并接受人工审核"，审的是一段精准的虚构文本。
监管框架与现实之间的裂缝
欧盟《AI法案》第13条要求高风险AI系统提供"关于所涉逻辑的有意义信息"。链式推理被AI厂商当作天然的合规工具推到了监管者面前：你看，我们的模型可以展示推理过程，这不就是透明度吗？
论文作者直接指出这个逻辑陷阱。装饰性推理生成的解释流畅、专业、领域恰当，但描述的是模型并未执行的推理过程。医学AI写出"嗜酸性粒细胞增多提示栓塞过程"，并不代表它在推理过程中真正考虑过嗜酸性粒细胞。它可能只是从题干里抓到了关键词，匹配到了正确答案，再补上了匹配的步骤。
这意味着，主流AI厂商用来满足透明度要求的那套机制，在技术本质上并不满足要求。监管机构可能需要引入步级忠实度测试这类方法，而不是接受模型自发展示的推理链作为合规证据。这个要求对API-only的闭源模型尤其关键——过去外部研究者难以评估它们的内部推理过程，而Basu和Chakraborty的方法只需要API调用，每次评估成本约一到两美元。
一种新的不确定性
回到开头的医学例子。有意思的不是AI答对了这道题，而是它用11步推理答对了这道题，却没有用到其中任何一步。
这引出了一个比"AI是否在真正推理"更根本的问题：当一个系统可以生成完美推理文本，却与它实际做出决策的内部过程脱节，我们应该如何定义对它的信任？
过去对AI系统的信任建立在可解释性的直觉上：能展示过程，就能验证过程；能验证过程，就能控制风险。但装饰性推理的研究表明，展示过程和验证过程之间存在系统性偏差——偏差的方向恰好是大部分资源投入所在的方向。
DeepSeek-R1的结果是真正的启示。强化学习训练使步级必要性从4%跳到91%。不是把模型变大，是把训练目标改掉：要求模型真正解决任务，而不是生成流畅文本。同样的算力、同样的架构，换一套评价信号，推理的性质就变了。这既是好消息，也是坏消息。好消息是推理可以被训练出来，坏消息是目前大多数商用模型的训练信号仍然鼓励的是文本流畅度而非推理忠实度。
2026年的推理模型热潮让"AI在思考"这个说法变成了产品功能。但思考这个词从来不是透明的。当我们说AI在思考时，我们以为自己知道那意味着什么——就像我们自己思考时知道自己在做什么。但LLM的"思考"可能在结构上就是不可直接读取的：我们可以看见推理表演，可以测量它的效果，但无法从外部直接验证它的内部过程与外部叙述之间是否存在对应关系。
这不是AI的失败，是认知框架需要更新。问题不在于AI不够好，而在于"展示推理"和"真正推理"是两件不同的事，我们花了两年时间把前者当成后者的替代品，现在到了还债的时候。