一分钟读论文：《把题目改错，模型的推理链纹丝不动》
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
埃因霍温理工大学与Dana-Farber合作研究医疗领域的链式推理，发现模型答案正确但推理链常与作答解耦。通过30种扰动测试14个模型，CDR达72.9%，表明可见链对答案贡献小，属“装饰性推理”。此结论限于医疗QA，但提供可复用审计工具。
🔎
延伸解读
CDR指标的含义与局限
CDR（Chain-Decoupling Rate）衡量的是模型在临床有意义的破坏性编辑下，链条未登记且答案未翻转的比例，达72.9%。但该指标仅针对特定编辑子集，并非全部编辑或逐模型结论。读者在引用时应明确其统计范围，避免过度解读为所有情况下的解耦率。
对医疗AI部署的警示
研究提示，模型展示的推理链可能只是“事后文档”，而非真实计算路径。在医疗等高风险领域，依赖可见推理链作为可审查证据存在风险。监管要求“可解释”时，需警惕链条的装饰性，建议结合扰动审计等工具验证链条的忠实性，而非仅凭表面逻辑。
审计方法的可迁移性
论文提出的30算子扰动套件（M-block）和CDR框架，被作者称为可复用的标尺，可迁移至其他高风险领域的链忠实性审计。但需注意，本研究结论限于医疗QA场景，迁移时需重新验证算子的临床相关性和指标适用性，不能直接套用结论。
❓
Q&A
这篇论文的核心发现是什么？
论文发现，在医疗QA任务中，模型给出的推理链常常与最终答案脱节：即使修改题目和推理链，答案也往往不变，表明可见的推理链对答案贡献很小，属于“装饰性推理”。
什么是CDR（Chain-Decoupling Rate）？它的数值是多少？
CDR是链解耦率，衡量在扰动后链条未更新且答案未翻转的比例。在临床有意义的破坏性编辑子集上，跨模型平均CDR为72.9%，表明大多数情况下推理链与答案解耦。
论文使用了哪些扰动方法？
论文使用了30个临床动机的扰动算子，包括严重度反转、否定翻转、人口属性替换和证据消融等，同时编辑问题和推理链，并设置只改题目或只改链的对照。
🏷️
