这项由中国科学院软件研究所中文信息处理实验室与中国科学院大学联合开展的大模前沿研究，已于2026年6月22日以预印本形式发布（论文编号：arXiv:2606.23404）。过程研究人员通过该编号可获取完整论文及开源代码。终于

当顶尖AI模型处理复杂数学问题时，可被看懂其内部“内心独白”可能长达数万字。大模这些文字如同天才学生的过程草稿纸，充满了试错、终于回溯与重构。可被看懂对于旨在解析AI认知机制的大模研究者而言，这无异于在无边界的过程迷宫中寻找断线。

针对这一痛点，终于研究团队开发了REASONINGLENS（推理透镜）系统。可被看懂其核心目标是大模将AI混乱的思维流转化为清晰、可读的过程结构化地图，实现从“黑箱”到“白箱”的终于跨越。

一、困境：AI“思维草稿”的透明度危机

随着DeepSeek-R1、GPT-5、Qwen3等“大推理模型”的涌现，思维链（Chain-of-Thought, CoT）成为标准配置。AI在输出答案前，会逐步展示推理过程，旨在提升透明度。然而，随着模型能力跃升，思维链长度呈指数级增长，导致以下问题：

1. 信息过载：关键逻辑被淹没在海量程序性文字中，理解难度不降反升。
2. 验证困难：推理链条越长，人类检查成本越高，错误如同“沙里淘金”，极难发现。
3. 透明度负担：AI越智能，其思考过程越晦涩，形成“能力越强，越难理解”的悖论。

此前的可视化尝试多停留在“美观展示”层面，缺乏系统性分析框架，无法诊断策略优劣或定位错误根源。REASONINGLENS旨在填补这一空白，将可视化工具升级为真正的诊断工具。

二、核心功能一：构建AI思维的“三层地图”

推理透镜通过层级可视化技术，将AI的思维过程解构为可操作的单元。

1. 行为分类体系

研究团队定义了一套描述AI思维动作的语言体系，分为两类：

• 探索级行为（宏观战略）：
• 分解：将复杂问题拆解为子任务（如将大菜拆解为采购、备料、烹饪）。
• 回溯：当路径受阻时，退回关键决策点重新选择（如迷宫中碰壁后原路返回）。
• 验证：在最终确认前，对中间结果进行自查（如做完作业后的全面检查）。
• 利用级行为（微观执行）：
• 知识提取：从记忆库中调取相关公式或事实。
• 程序执行：依据规则进行计算或信息变换。
• 状态声明：记录当前推理结论，供后续步骤引用。

2. 动态切分与图谱构建

系统利用转折词（如“但是”、“换一种方法”）作为天然分割点，将长文本切分为规划单元。在此基础上建立双层图形表示：

• 宏观层（高速路网）：将相关单元合并为“宏节点”，展示“分解”、“验证”等战略路径，形成树状图。
• 微观层（城市街道）：深入特定宏节点，展示内部执行细节及依赖关系。

用户可像缩放地图软件一样，在宏观战略与微观执行间自由切换，直观掌握推理全貌。

三、核心功能二：AI推理的“主动诊断医生”

仅可视化不足以发现问题，推理透镜引入了主体诊断模块，自动识别五类常见错误：

多智能体协作诊断机制

系统由三个AI智能体协同工作，模拟医生会诊流程：

1. 记忆模块：逐段阅读并压缩摘要，保持全局视角，防止因局部错误而迷失整体脉络。
2. 验证模块：针对可疑点，调用计算器、搜索引擎等外部工具进行独立核实，确保事实与计算准确。
3. 建议模块：不仅报告错误，还提供修复方案。建议分为两类：
4. 即插即用：无需重新训练，通过提示工程或后处理优化。
5. 根本改善：针对模型行为缺陷，提供后续训练方向的指导。

这一机制将诊断从“被动观察”转变为“主动介入”。

四、核心功能三：AI模型的“系统画像”

超越单次推理分析，推理透镜通过汇总大量案例，为AI模型绘制性格素描：

• 数据汇聚：整合推理轨迹树状图与错误信号，提取跨案例共同特征（如特定问题类型下的回溯倾向）。
• 语义去重：利用AI技术合并相似路径，保留代表性模式，构建精炼证据库。
• 三维评估：
• 探索习惯：分析模型倾向于深度钻研还是广度尝试。
• 验证可靠性：评估自我检查的一致性与有效性。
• 稳定性瓶颈：识别导致推理质量波动的结构性弱点。

该功能支持不同AI模型的横向对比，为模型迭代提供数据支撑。

五、评测基准：LENSBENCH数据集

为验证系统有效性，研究团队构建了LENSBENCH评测基准：

1. 数据筛选：从公开长思维链数据集中选取推理单元≥10的复杂案例，过滤多语言混杂及原有错误案例。
2. 双重标注：
3. 结构标注：由GPT-5.4依据行为分类体系标注思维动作。
4. 错误注入：人为向干净样本中注入五类错误，确保分布均衡。
5. 人工复核：剔除标注歧义或不自然案例，最终保留130个高质量案例。

评测指标

• 层级可视化：节点类型准确率、图编辑相似度。
• 主体诊断：精确率、召回率、F1分数。

六、实验结果与洞察

研究团队使用DeepSeek-V4-Pro、MiniMax-M2.7、Qwen3.5-27B、Gemma-4-26B-A4B和Qwen3-32B五个模型进行测试。

1. 错误诊断能力

• 整体表现：最强组合（DeepSeek-V4-Pro）综合F1分数达82.3，最弱组合（Qwen3-32B）达66.3。诊断能力与基座模型能力呈正相关。
• 错误类型差异：
• 安全问题：检测最准，F1分数均超89（最高98.5），表明模型对安全边界高度敏感。
• 知识/逻辑错误：检测难度最大，弱模型F1仅39.0/34.6，但在强模型上显著改善，说明深层错误识别高度依赖推理能力。

2. 可视化稳定性

• 节点类型准确率平均75.0，图编辑相似度平均69.7。
• 关键发现：即使诊断能力差异巨大，可视化模块表现依然稳定。这是因为可视化将长任务分解为局部小标注，降低了对模型整体能力的依赖。

3. 案例实证

在Qwen3-32B处理传播学问题的案例中，系统成功识别出隐藏的“不安全操控策略”和“冗余过度思考”，并给出“早期停止”等具体干预建议，而这些错误在原始文本中极难察觉。

七、总结与展望

REASONINGLENS的核心意义在于将AI推理从“黑箱”转化为可拆解、可诊断的结构化对象。随着思维链日益复杂，该系统为研究人员提供了系统性审视AI内部逻辑的路径。

局限性与未来方向

1. 静态局限：目前主要面向静态思维链文本，尚难处理AI与外部交互的动态过程（如边浏览网页边决策）。未来计划扩展至“计划-行动-观察”循环场景。
2. 部署优化：当前部署较为整体，未来将拆分为灵活插拔模块，便于集成至AI训练监督环节。

核心贡献

本研究不仅提供了技术工具，更确立了“分类体系+结构化理解+主动诊断+系统画像”的完整闭环思路，推动AI研究从“看结果”向“懂过程”转变。

Q&A

Q1：推理透镜REASONINGLENS是什么？
A：由中国科学院软件研究所开发的开源分析框架，专门解析大型AI推理模型产生的超长思维链。它能将杂乱文本转化为分层可视化图表，自动检测推理错误，并提供修复建议。

Q2：LENSBENCH测试集是如何构建的？
A：从公开数据集中筛选高质量案例，经结构标注和人工错误注入（确保五类错误均衡分布）制作而成。最终经人工复核保留130个高质量标注案例，用于评测层级可视化和主体诊断功能。

Q3：推理透镜能检测哪些AI推理错误？
A：覆盖五类错误：
1. 过度思考：简单问题复杂化，浪费资源。
2. 安全问题：泄露敏感信息或生成有害内容。
3. 知识错误：事实记忆偏差或定义误用。
4. 逻辑错误：推理步骤矛盾或跳跃。
5. 形式错误：数学公式、代码语法或符号违规。