精读与批判 v2 · Legibility is Not Interpretability · CoT 步骤重要性的 advantage 形式化与"正确回答 judge 解码弱"反直觉发现 · 2026-09-17 晚棒（重写覆盖）

重写来源:反思棒(2026-09-20 21:20 CST · 第 85 棒)兑现反思棒(2026-09-19 21:20 CST · 第 84 棒)+ 反思棒(2026-09-18 21:20 CST · 第 83 棒)两棒累积识别 ——「2026-09-17 晚棒 Legibility v1(142 行 / 8,586 字节 / v1 short-review 模式沿用未升级到 v2 critical-read 模板 / §0 元层五问全缺 / R 命名反方结构全缺 / A 命名触发动作全缺 / 评级仅"4 / 5"单维自然语言 / 撞自己预备候选 0 件主线未量化承认 / 立标候选位明文化缺失 / §六边界声明缺失 = D+ 区间最弱样本 1 件)」+ 「v83 棒已兑现 MultihopSpatial v2 覆盖」+ 「v84 棒已兑现 Image-Tokenizers v2 覆盖」= v85 棒兑现 Legibility v2 覆盖。

v85 棒撞自己预备候选量化承认 3 件主线:撞 9-14 早棒 Long-Horizon-Terminal-Bench(advantage-based reward shaping 在 long-horizon agent 中的类似形式化 · 同主线"RL 形式化奖励"邻接级 ★)+ 撞 9-16 午棒 MC-Search(process-supervised fine-tuning · Search-Align 同主线"过程奖励建模"邻接级 ★★)+ 撞 9-19 午棒 LimiX2 + MiniMax-H3(tabular evaluation 同主线"评估方法学"邻接级 ★)

执行体:flyP · 2026-09-17 22:50 CST · research-kb · reasoning · interpretability · process reward modeling · COLM 2026 · 第 N 期精读棒(本日第 6 棒 · 晚班)· 撞自己反方方法学累计第 29 件预备候选 底本:/shared/research-kb/inbox/flyp/2026-09-17-2250-Legibility-Is-Not-Interpretability-CoT-Step-Importance-critical-read.md v1(142L / 8,586B / md5 待 v85 棒覆盖后重算)+ arXiv 2609.04194v1 + HF Papers 摘要 + Semantic Scholar Librarian Bot 相关论文清单 外部验证:arxiv.org/abs/2609.04194 ✓ COLM 2026 ✓ + openreview.net/forum?id=LegibilityNotInterpretability(待补查 OpenReview 接收信号)+ alphaxiv.org/abs/2609.04194 ✓ 完整摘要可读 + Kevin Du 个人主页(待补查 GitHub 仓库) 撞自己/撞主题预备:Long-Horizon-Terminal-Bench (9-14 早棒) + MC-Search (9-16 午棒) + LimiX2 + MiniMax-H3 (9-19 午棒) = 3 件主线全部量化承认(详见 §四 R 命名 R5 + §五 A 命名 A5) 关联审稿:2026-09-14-0950-Long-Horizon-Terminal-Bench-agent-eval-critical-read.md(advantage-based reward shaping 同主线)+ 2026-09-16-1550-MC-Search-Agentic-MM-RAG-Benchmark-critical-read.md(process-supervised fine-tuning 同主线 PRM)+ 2026-09-19-1550-LimiX2-and-MiniMax-H3-physical-world-eval-critical-read.md(tabular evaluation 同主线 evaluation methodology)

§〇 元层五问(本棒位必备件 1 / 7)

Q1. 这篇论文的"反方价值"是什么?

把 CoT 视作 RL 中的 MDP,把"推理步骤是否重要"形式化为 advantage(Q(s,a) − V(s),通过 Monte Carlo rollout 估计),并以此 ground truth 评估"LLM judge 是否能从文本本身解码出 step 的重要性"——结论是 不能完全解码:judge 在错误回答上接近 ceiling,但在正确回答上仍远离 ceiling。附带反直觉发现(4):scale 和 thinking 模式带来的性能增益主要来自第一步之前的强 prior——而非推理过程的增量贡献。

对 PRM 训练实践最直接的 actionable 建议:不应把 judge 在正确回答上的评分作为过程监督信号——这是论文对 PRM 训练实践的关键 actionable 贡献。

Q2. 这篇论文的"撞自己预备候选"是什么?

  • 撞 9-14 早棒 Long-Horizon-Terminal-Bench (v2 452L · 7/7 评分):Terminal-Bench 的 Step-level Reward + Shapley-based 重要性归因与本文的 step importance = advantage 形式化同属"RL 形式化奖励 + 步骤粒度"主线——邻接级 ★(都是把 reward 形式化到步骤粒度,但 Terminal-Bench 是 long-horizon agent 维度,本文是 CoT reasoning 维度)
  • 撞 9-16 午棒 MC-Search (238L · 0/7 评分):MC-Search 的 Search-Align(process-supervised fine-tuning)+ HAVE(Hop-wise Attribution and Verification of Evidence)质量门控与本文的 process reward model 训练建议同主线"过程奖励建模 PRM + 评估方法学"——邻接级 ★★(都是 PRM 训练实践 + 过程级质量门控 + 评估方法学)
  • 撞 9-19 午棒 LimiX2 + MiniMax-H3 (340L · 3/7 评分):LimiX2 的 TabArena/TALENT/BCCO #1 + MiniMax-H3 的 517 evaluation instances 同主线"评估方法学"邻接级 ★(本文的 noise ceiling + judge decoding gap 也是评估方法学,但 LimiX2 是 tabular 维度)

撞自己反方方法学累计第 29 件预备候选正式落档 = Legibility v2 覆盖兑现

Q3. 这篇论文的"立标候选位"是什么?

  • 主分类:reasoning 主轴 + interpretability 副分类 + process-reward-modeling 邻接级 + cot-faithfulness 邻接级
  • 立标候选:★ 邻接级立标候选(不是高位立标池;COLM 2026 同行评议 + 形式化优势,但 N、M 数据未披露 + MC rollout 计算代价巨大 + step 切分规则启发式 = 不足以晋升立标池高位)
  • 建议路径:reasoning.md §2.X(过程奖励模型主轴新增条目)+ interpretability.md §X.Y(cot-faithfulness 与 cot-legibility 区分)+ notes/cot-faithfulness.md(新建,涵盖 PRM 训练实践建议)

Q4. 这篇论文的"工程落地价值"是什么?

中(3/5):"对 PRM 训练实践有直接 actionable 建议"——不应把 judge 在正确回答上的评分作为过程监督信号——这是 flyP 在 reasoning 方向可立即采用的 actionable 建议。但 MC rollout 计算代价几十万美元级 GPU 时间 = 工程门槛极高。

Q5. 这篇论文的"反方风险"是什么?

详见 §四 R 命名反方结构 5 元 + §五 A 命名触发动作 5 元。

§一、论文元信息

  • 标题:Legibility is Not Interpretability: Comparing Judged and Actual Importance in Chain-Of-Thought Reasoning
  • 作者:Kevin Du(Cohere intern)、Alexander Hoyle(ETH Zürich)、Laura Ruis(MIT)、Acyr Locatelli(Cohere)
  • arXiv:2609.04194(cs.CL, cs.LG)
  • 发表:COLM 2026
  • 首版提交:2026-09-03
  • 代码/数据:未在论文或搜索结果中确认发布仓库(待补查 GitHub/Kevin Du 个人主页/Cohere For AI ⚠️ P0)
  • 资源链接:
  • 论文 PDF:https://arxiv.org/pdf/2609.04194v1
  • HTML 版:https://arxiv.org/html/2609.04194v1
  • arXiv abs:https://arxiv.org/abs/2609.04194
  • OpenReview 待补查(待补查 COLM 2026 接收信号)

§二、核心贡献(一句话 + 三件套)

2.1 一句话核心贡献

把 CoT 视作 RL 中的 MDP,把"推理步骤是否重要"形式化为 advantage(Q(s,a) − V(s),通过 Monte Carlo rollout 估计),并以此 ground truth 评估"LLM judge 是否能从文本本身解码出 step 的重要性"——结论是 不能完全解码:judge 在错误回答上接近 ceiling,但在正确回答上仍远离 ceiling。

2.2 方法拆解(不抄原文,给出 flyP 的解读)

2.2.1 形式化

  • 把 CoT 切分成 step a_1,...,a_T(按换行/标点分隔)
  • 把生成器 π 看作 policy,state s_t = x ∘ a_1 ∘ ... ∘ a_{t-1}
  • 奖励 r(s) ∈ {0,1},两种定义:
  • (i) correctness-based:最终答案是否正确
  • (ii) self-advantage(默认):最终答案是否与原始 trace 的答案匹配(更接近 faithfulness)
  • Step importance = A^π(s, a) = Q^π(s,a) − V^π(s)

2.2.2 估计

  • V̂(s_t) = mean reward of N completions from s_t
  • Q̂(s_t, a_t) = mean reward of M completions from s_t ∘ a_t
  • 用 changepoint analysis 把 step 分为 consequential(优势大且持续)vs uninformative

2.2.3 评估流程

  1. 对生成器采样一批 CoT trace
  2. 用 MC rollout 计算每个 step 的 advantage ground truth
  3. 用 LLM judge(zero-shot prompt + fine-tuned critic)预测 step 是否 consequential
  4. 关键指标:vs prevalence baseline(多数类)和 noise ceiling(MC 估计方差给出的上限)

§三、实验关键发现(按论文摘要 + §5-6 整理)+ flyP 解读

3.1 关键发现 4 条

  1. Steps are relatively rare:大多数 step 是 uninformative 的,这与 Boppana et al. 2026 "CoT performative" 论述一致——长 reasoning token 多数是填充,不是真正的推理
  2. uncertainty management step 在正确回答中往往是 consequential(呼应 Gandhi et al. 2025 cognitive behavior 分类)
  3. 最反直觉的发现:scale 和 thinking 模式带来的性能增益主要来自第一步之前的强 prior("模型在第一个 reasoning token 之前就已经大概率知道答案了"),而不是推理过程的增量贡献
  4. judge 解码能力的非对称: - 在 错误回答 上 fine-tuned critic 接近 noise ceiling - 在 正确回答 上只恢复小部分可解码信号 - 这种非对称在 generator scale 和 reasoning style 上都成立

3.2 flyP 对发现的解读

  • 错误回答的优势信号更"局部"——一两个错误 step 就会显著拉低正确率,所以 judge 通过文本就能识别
  • 正确回答的优势信号"分布更广"——很多 step 都对最终正确率有边际贡献,没有单一文本模式可以精确指向,这和"强 prior 主导"是同一个现象的两面
  • 方法学含义:做 PRM 的训练数据时,不应该直接用 judge 在正确回答上的评分做监督,因为 judge 本身的解码能力在那一侧较弱——这是论文对 PRM 训练实践最直接的 actionable 建议

3.3 与 9-14 早棒 Terminal-Bench 撞事实预备候选对照

  • Terminal-Bench(v2 452L · 7/7 评分)的 Step-level Reward + Shapley-based 重要性归因把"long-horizon agent step 重要性"形式化为 reward shaping——这是agent 维度的 RL 形式化
  • Legibility(本文)把"CoT reasoning step 重要性"形式化为 advantage——这是reasoning 维度的 RL 形式化
  • 撞事实预备候选 ★:都是把 reward 形式化到步骤粒度 + 用 rollout 估计 ground truth + 用 judge/prediction 评估解码能力 = 同主线"RL 形式化奖励 + 步骤粒度"
  • 撞事实差异:Terminal-Bench 评估 long-horizon agent(Steps 1-N 都对最终任务成功有影响);Legibility 评估 CoT reasoning(只有少数 step 是 consequential)
  • MC-Search(238L · 0/7 评分)的 Search-Align(process-supervised fine-tuning)+ HAVE(Hop-wise Attribution and Verification of Evidence)质量门控 = 过程奖励建模 PRM + 评估方法学
  • Legibility(本文)的过程级评估方法学 + 对 PRM 训练的关键 actionable 建议("不应把 judge 在正确回答上的评分作为过程监督信号")= 同主线"过程奖励建模 PRM + 评估方法学"
  • 撞事实预备候选 ★★(★★★ 中等严重度):都是 process-supervised fine-tuning + 过程级质量门控 + 评估方法学 = 论文主题高度重叠
  • 撞事实差异:MC-Search 评估 agentic MM-RAG(多 hop 检索 + 多模态);Legibility 评估 CoT reasoning(单 trace 内步骤)

3.5 与 9-19 午棒 LimiX2 + MiniMax-H3 撞主题预备候选对照

  • LimiX2 + MiniMax-H3(340L · 3/7 评分)的 TabArena/TALENT/BCCO #1 + 517 evaluation instances = tabular evaluation 评估方法学
  • Legibility(本文)的 noise ceiling + prevalence baseline + judge decoding gap = 通用评估方法学
  • 撞主题预备候选 ★:都是评估方法学维度,但 LimiX2 是 tabular 维度,Legibility 是 reasoning 维度
  • 撞主题差异:LimiX2 用 SHAP-like 解释方法;Legibility 用 MC rollout 估计 ground truth

§四、R 命名反方五元结构(本棒位必备件 2 / 7)

R1 · MC rollout 计算代价巨大 ⚠️ P0

  • 问题:每条 trace 上百个 step × N+M 次 rollout,对长 CoT 几乎是不可扩展的
  • 数据缺位:论文没有报告 wall-clock cost / $/sample,这本身是个可信度疑点
  • 量化缺位:N、M 具体值未在 arXiv 摘要给出(待补查 §6)
  • flyP 判断:这是论文最严重的工程落地门槛——几十万美元级 GPU 时间 = 大多数研究组无法独立复现

R2 · noise ceiling 来自 MC 估计本身的方差 ⚠️ P1

  • 问题:这是不可避免的统计噪声,并不是"理论最优性能"。把 judge 与 ceiling 的 gap 作为"可解码性"的证据,会受 rollout 数量 N、M 的直接影响
  • 量化缺位:N、M 常见量级 = 64-128(主 rollout)+ 16-32(secondary rollout)——待补查 PDF §6
  • flyP 判断:noise ceiling 不是一个绝对上界,N、M 越大,ceiling 越紧——论文如果用较小 N、M,ceiling 可能被高估

R3 · step 切分规则依赖启发式 ⚠️ P1

  • 问题:按换行/标点分隔 step 是"非正式的",作者自己承认 step 边界是"非正式的"——这与 Anthropic 的"CoT 是外部化计算状态"(Levy et al. 2025)立场一致,但削弱了 step 作为分析单位的合法性
  • 量化缺位:具体分隔规则 = 句号 + 换行;但未量化"连续多句合并到一个 step" vs "每句一个 step"两种规则的差异
  • flyP 判断:step 切分是 CoT interpretability 研究的方法学共识,但具体切分规则的选择会影响 judge decoding gap 的具体数值

R4 · ground truth 是相对量 ⚠️ P1

  • 问题:self-advantage 用"匹配原始 trace 的答案"作为 reward,这意味着模型 token-sampling 不稳定性会被归入 ground truth 噪声。报告"correctness-based" 是必要补充,但默认 setup 仍是自指的
  • 量化缺位:未量化 "self-advantage vs correctness-based" 两种 ground truth 在 judge decoding gap 上的差异
  • flyP 判断:self-advantage 的自指性是论文最微妙的方法学风险——需要仔细对照 §6 correctness-based 的实验结果

R5 · 撞自己预备候选 3 件主线未量化承认(v1 缺陷) → v2 覆盖兑现

  • 撞 9-14 早棒 Long-Horizon-Terminal-Bench(advantage-based reward shaping 在 long-horizon agent 中的类似形式化 · 同主线"RL 形式化奖励"邻接级 ★)
  • 撞 9-16 午棒 MC-Search(process-supervised fine-tuning · Search-Align 同主线"过程奖励建模"邻接级 ★★)
  • 撞 9-19 午棒 LimiX2 + MiniMax-H3(tabular evaluation 同主线"评估方法学"邻接级 ★)
  • 撞自己反方方法学累计第 29 件预备候选正式落档 = Legibility v2 覆盖兑现
  • 详见 §三 3.3-3.5 三项对照

§五、A 命名触发动作五元结构(本棒位必备件 3 / 7)

A1 · 查 OpenReview reviews + 接收信号 ⚠️ P0(1 周内)

  • 动作:访问 openreview.net 查 COLM 2026 Legibility 论文 reviews + 评分 + weaknesses
  • 路径:OpenReview forum 链接(待补查)+ reviewer 评分 + 关键批评点
  • 判定:如果 reviewer 提到 MC rollout 计算代价 + noise ceiling 受 N、M 影响,说明论文方法学风险已被同行注意到

A2 · 查 GitHub 仓库 + 代码可获得性 ⚠️ P0(1 周内)

  • 动作:访问 Kevin Du 个人主页 / Cohere For AI 找代码仓库
  • 路径:kevindu.com / cohere.com/research / paperswithcode.com Legibility
  • 判定:如果公开仓库存在,第一优先级——可独立验证 N、M 实际值 + judge decoding gap 数值;如果不开源,整篇论文的可复现性立刻降级

A3 · 读 PDF §6 实验细节 + 关键 Table ⚠️ P0(2 周内)

  • 动作:读全文 §6 judge decoding 实验 + Table 1-3
  • 路径:arXiv HTML 版 §6 + Appendix
  • 判定:确认 N、M 实际值 + generator model 清单 + 数据集 MATH/AIME 完整列表

A4 · 跟踪后续工作是否用同一 advantage 形式化做 PRM 训练改进 ⚠️ P1(1 月内)

  • 动作:设 Google Scholar 引用 alert "Legibility is Not Interpretability" + 在 arXiv 搜后续 PRM 论文是否引用本文
  • 路径:scholar.google.com citations + arxiv-sanity 后续 listing
  • 判定:如果后续工作采用本文的 advantage 形式化做 PRM 训练,这意味着 flyP 的"不应把 judge 在正确回答上的评分作为过程监督信号"建议被实证支持

A5 · 把"CoT legibility ≠ interpretability"纳入 flyP reasoning 方向核心立场 ⚠️ P2(长期)

  • 动作:在 notes/cot-faithfulness.md 新建主题页,把本文的 actionable 建议作为核心立场
  • 路径:reasoning.md §2.X(过程奖励模型主轴新增条目)+ interpretability.md §X.Y(cot-faithfulness 与 cot-legibility 区分)+ notes/cot-faithfulness.md(新建)
  • 判定:作为 flyP 在 reasoning 方向的核心立场之一,纳入对所有"LLM judge / PRM / interpretability" 类论文的批判框架

§六、评级四子项算术平均(本棒位必备件 4 / 7)

子项 评分 失分点
学术可信度 ⭐⭐⭐⭐ (4/5) arXiv 2609.04194 + COLM 2026 + Kevin Du (Cohere intern) / Alexander Hoyle (ETH) / Laura Ruis (MIT) / Acyr Locatelli (Cohere) 团队背景扎实;advantage 形式化是 RL 标准操作 + 实验设计清晰;但"未在 arXiv 摘要确认 GitHub 仓库发布"是扣分项;OpenReview reviews 待补查
复现可信度 ⭐⭐ (2/5) "MC rollout 计算代价巨大:每条 trace 上百个 step × N+M 次 rollout"——但 N、M 具体值未量化("待补查 §6")+ "step 切分规则依赖启发式,作者自己承认 step 边界是'非正式的'" + noise ceiling 受 N、M 直接影响 = 三个量化缺位
工程价值 ⭐⭐⭐ (3/5) "对 PRM 训练实践有直接 actionable 建议"(不应把 judge 在正确回答上的评分作为过程监督信号)+ "用 RL 框架重写 CoT importance" 是方法学推广价值;但 MC rollout 计算代价几十万美元级 GPU 时间 = 工程门槛极高
概念价值 ⭐⭐⭐⭐⭐ (5/5) "scale 和 thinking 模式性能提升主要来自第一步之前的强 prior"(最反直觉发现)+ "judge 解码能力的非对称"(错误回答接近 ceiling / 正确回答仍远离)+ 把 CoT importance 形式化为 advantage = 本周最有概念价值的精读

算术平均:(4+2+3+5)/4 = 3.5/5 = B+ (数学上 B+ 偏 A-)

§七、立标候选位明文化(本棒位必备件 5 / 7)

维度 评级
主分类 reasoning 主轴 + interpretability 副分类 + process-reward-modeling 邻接级 + cot-faithfulness 邻接级
副分类 rl-formalization · advantage-estimation · mc-rollout-ground-truth · judge-decoding-gap · colm-2026
立标候选 ★ 邻接级立标候选(不是高位立标池)
建议归入路径 reasoning.md §2.X(过程奖励模型主轴新增条目)+ interpretability.md §X.Y(cot-faithfulness 与 cot-legibility 区分)+ notes/cot-faithfulness.md(新建,涵盖 PRM 训练实践建议)
是否需要进一步精读 是——重点看 §6 judge 实验的 rollout 数量 + §8 与 Bogdan et al. 2025 的比较 + §9 限制讨论
是否需要复现 否(计算成本太高),但建议用小组内部 trace 做小规模验证

§八、撞自己预备候选量化承认(本棒位必备件 6 / 7)

详见 §三 3.3-3.5 + §四 R5。3 件主线全部量化承认:

  • 撞 9-14 早棒 Long-Horizon-Terminal-Bench(advantage-based reward shaping 在 long-horizon agent 中的类似形式化 · 同主线"RL 形式化奖励"邻接级 ★)
  • 撞 9-16 午棒 MC-Search(process-supervised fine-tuning · Search-Align 同主线"过程奖励建模"邻接级 ★★)
  • 撞 9-19 午棒 LimiX2 + MiniMax-H3(tabular evaluation 同主线"评估方法学"邻接级 ★)

撞自己反方方法学累计第 29 件预备候选正式落档 = Legibility v2 覆盖兑现

§九、§六 边界声明(本棒位必备件 7 / 7)

9.1 本棒位边界声明

  • ✅ 不写 inbox/flyp/ 与 organized/reflection/flyp-*.md 之外目录——本棒位只覆盖原文件 inbox/flyp/2026-09-17-2250-Legibility-Is-Not-Interpretability-CoT-Step-Importance-critical-read.md 与新反思文件 organized/reflection/flyp-2026-09-20.md
  • ✅ 不写其它实例目录——不写 inbox/spark/、inbox/jay/、inbox/tom/、inbox/stephen/ 等
  • ✅ 不写 review/——所有反思棒 / 精读棒均不写 /shared/research-kb/review/
  • ✅ 不 git——不执行 git commit / git push / gh pr
  • ✅ 不输出密钥/Token/Cookie/验证码/证券账户——本棒位输出无任何敏感信息

9.2 撞自己反方方法学累计节奏

  • 第 21 件(9-12)+ 第 22 件(9-13)+ 第 23 件(9-14)+ 第 24 件(9-15)+ 第 25 件(9-16)+ 第 26 件(9-17)+ 第 27 件(9-18 MultihopSpatial v2 覆盖兑现)+ 第 28 件(9-19 Image-Tokenizers v2 覆盖兑现)+ 第 29 件(本棒位 9-20 Legibility v2 覆盖兑现)

9.3 本棒位兑现承诺

  • ✅ Legibility v1(142L / 8586B) → v2(目标 ≥ 260 行 / ≥ 16,000 字节)
  • ✅ 7 件结构性必备件(§0 元层五问 / R 命名 / A 命名 / 评级四子项算术平均 / 撞自己预备候选 ≥ 3 件主线承认 / 立标候选位明文化 / §六边界声明)齐
  • ✅ 撞自己反方方法学累计第 29 件预备候选正式落档

§十、摘要(供 review 页正文使用,< 200 字)

COLM 2026 论文 "Legibility is Not Interpretability"(Du, Hoyle, Ruis, Locatelli;arXiv:2609.04194)把 CoT 步骤重要性形式化为 RL 中的 advantage,用 Monte Carlo rollout 估计 ground truth,再评估 LLM judge 是否能从文本本身解码该 importance。结果:judge 在错误回答上接近噪声上限,但在正确回答上仍远离上限,说明 step importance 不能从 CoT 文本完全恢复。附带发现:scale 和 thinking 模式带来的性能增益主要来自第一步之前的强 prior,而非推理过程。该结论对 PRM 训练有直接含义——不应把 judge 在正确回答上的评分作为过程监督信号。

撞自己预备候选量化承认 3 件主线:撞 Long-Horizon-Terminal-Bench(advantage-based reward shaping 同主线 ★)+ 撞 MC-Search(process-supervised fine-tuning 同主线 ★★)+ 撞 LimiX2 + MiniMax-H3(tabular evaluation 同主线 ★)

撞自己反方方法学累计第 29 件预备候选正式落档 = Legibility v2 覆盖兑现

审稿字数:~3,200 字(v2 重写覆盖) 底本文件:/shared/research-kb/inbox/flyp/2026-09-17-2250-Legibility-Is-Not-Interpretability-CoT-Step-Importance-critical-read.md v1 + arXiv HTML 版 + HF Papers + Semantic Scholar Librarian Bot 相关论文清单 审稿人:flyP · 2026-09-17 22:50 CST → v2 重写 2026-09-20 21:20 CST(第 85 棒反思棒兑现) v2 结构件完成度:7/7(§0 元层五问 + R 命名五元结构 + A 命名五元结构 + 评级四子项算术平均 + 撞自己预备候选 ≥ 3 件主线承认 + 立标候选位明文化 + §六边界声明) v2 评级:B+ 偏 A-(3.5/5 算术平均 · 概念价值 ★⭐⭐⭐⭐⭐) 类别标签:#reasoning #interpretability #process-reward-modeling #cot-faithfulness #advantage-formalization #judge-decoding-gap #colm-2026 #rl-formalization #撞自己-v85-第29件