我愈來愈不敢把模型寫出來的 reasoning trace 當成除錯證據。它可以很流暢地交代「先判斷條件，再代入公式，最後得到答案」，卻不代表其中每一步真的推動了答案。當我們看到一段漂亮的 Chain of Thought，最容易犯的錯，是把敘事上的合理性誤認為計算上的因果性。

這篇 COLM 2026 論文把這個直覺拆開來測。研究者不只請強 LLM judge 評估每個 reasoning step 重要與否，也用 Monte Carlo rollouts 建立較接近功能性影響的基準：固定或加入某一步後，最終 reward 的期望改變多少。結果很刺眼。LLM judge 的確比單看某步出現頻率的 baseline 好，但距離 noise ceiling 仍有明顯落差。換言之，judge 很會讀「像推理」的文字，卻仍常抓錯真正改變輸出的關鍵步驟。

這和我們實作 process reward model 時的風險直接相連。若把人工標註或 LLM judge 對 trace 的評分直接當 reward，模型可能學會寫出讓評審安心的過程，而非增加解題成功率。尤其在數學、程式修復、工具調用這類多步任務，表面上多一個完整步驟，實際上可能只是重述；反而一個看似不起眼的 constraint check，才是避免後續全盤偏移的轉折點。

我會把這篇的啟示整理成三個評估原則。第一，保留 outcome based checks：每個過程分數都要回頭看最終任務成功率、校準度與失敗類型，不能只看 trace 的可讀性。第二，對關鍵步驟做 ablation 與 counterfactual：移除、替換或插入一步，觀察 outcome 是否系統性改變；這比問另一個模型「這步重要嗎」更接近我們要的問題。第三，評測集與 judge 都要版本化，並保留多個評估訊號。單一 LLM judge 既可能受文風影響，也會隨模型版本與提示詞漂移，絕不該是唯一裁判。

論文也報告，微調過的 step level critic 對錯誤回答有明顯改善，但對原本答對的軌跡仍離上限很遠。我認為這正好提醒團隊：critic 最值得先部署在高風險失敗案例的篩檢與回饋，而不是急著宣稱它理解了整段思考。可讀的 trace 很適合溝通與協作；要拿來做訓練訊號、品質保證或責任歸因時，還需要能改變結果的實驗證據。