推理轨迹与证据冲突时，答案配置如何改变模型行为

事件核心：发生了什么

这篇 2026 年 10 月 16 日发布在 arXiv cs.AI 的论文，研究的是“推理轨迹”（reasoning trace）在答题时扮演的双重角色：它既可能提升准确率，也可能在轨迹结论与当前证据矛盾时干扰模型，让模型固守旧答案。

作者用“已验证证据版本”和“由各版本生成的轨迹”做交叉实验，并设置两种答案配置：一是继续模型自己的思路（continuation），二是单独发起一次答案调用（separate answer call）。在 HotpotQA 和 MuSiQue 两个任务上，覆盖 gpt-oss、Gemma4、Qwen3 三个模型家族，单独调用相比继续推理，对证据的跟随率高出 29.9 至 60.6 个百分点。删除轨迹后，两种配置的准确率都会出现相近幅度的下降。论文还指出，轨迹的最后一行承载了大部分价值，在轨迹写成之前给出金标证据帮助最大，干扰项会削弱单独调用下的纠正能力，而“重新推理”比单纯给一个验证指令更能让模型跟随当前证据。以上均来自摘要，全文实验细节尚未核验。

为什么重要

它把“从推理轨迹中获益”和“服从推理轨迹”拆成了两件事。此前不少评测默认：模型答对了，就说明它跟对了证据。但这项研究提示，模型可能同时利用轨迹提高准确率，又在冲突时拒绝当前证据，继续复述旧结论。这对评测方法论有直接影响：只看最终答案的准确率，无法判断答案究竟来自当前证据还是过期轨迹。

对 AI 行业而言，这意味着检索增强生成、多步推理、智能体工作流里的“记忆”和“证据”需要被分开审计。尤其在知识更新频繁的场景，一个能提高平均准确率的轨迹，也可能在关键冲突点让系统给出陈旧结论。

对用户/开发者/创作者的影响

开发者需要注意 API 层面的答案配置。如果产品让模型在同一轮推理中继续作答，遇到新证据与旧轨迹矛盾时，模型可能更倾向复述旧结论；而拆成独立的答案调用，会让它更愿意服从当前证据，但代价是可能丢失部分轨迹带来的收益。论文提到轨迹最后一行价值最高，这提示在做上下文压缩或提示词裁剪时，不要只保留中间过程而丢掉收尾结论。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对使用大模型做知识问答、检索增强或智能体的团队，评测指标应同时报告“准确率”和“是否跟随当前证据”，并注明答案配置。创作者和普通用户则要意识到：模型说得流畅、逻辑自洽，不代表它参考的是最新资料，尤其在多轮对话或长推理链中，旧结论可能被反复沿用。

值得关注的后续

一是这类发现是否会被主流模型 API 或智能体框架采纳，形成“分离答案调用”的默认配置；二是评测机构是否会把证据跟随率纳入常规榜单，而不只看准确率；三是论文提出的“重新推理优于验证指令”能否在更多模型和任务上复现，目前公开信息仅覆盖 HotpotQA、MuSiQue 和三个模型家族，尚不能推广为普遍结论。

来源：arXiv cs.AI