Token 置信度只是链长吗？对推理语言模型思维链打分的信号处理审计

信号处理审计发现，用 2048 token 滑动窗口的最低平均置信度给推理链打分，实际测到的主要是链长：单按长度排序效果不差于甚至优于该分数，控制链长后分数对正确性不再有信息量。实验用小型开源推理模型在 500 道数学题上各采样 16 条链。错误链虽有更快的 token 间波动，但该信号太弱无法提升多数投票，提前截断链也不如直接少采样。