GPT-4o

本文提出 Behavioral Lift 指标，在 15,282 条推理轨迹上发现思维模型放大的行为（自我纠正、假设检验、不确定性承认）并非与正确性最相关的行为，而置信度校准等未被放大的行为才是最强正确性信号。