# Capable yet Parsimonious 论文解读与翻译
> 论文信息：arXiv:2609.26637，2026‑09‑22
> 标题：*Capable yet Parsimonious: Extracting and Characterizing Hidden Chain‑of‑Thought in Frontier Models*
> 中文标题：能力出众却简约克制：前沿大模型隐藏思维链的提取与特性分析

## 一、文章主要内容
这篇论文针对**闭源前沿大模型内部思维链（CoT）不可见**的问题，提出一套基于API工具调用的方案，诱导闭源模型把内部中间推理过程输出出来，以此去窥探模型真实推理行为，而不只是看最终的基准测试分数。

1. **问题背景**
前沿大模型性能提升普遍被认为来自推理能力变强，但闭源模型不会暴露原生思维链，研究者只能看到最终答案，无法区分答案来自严谨推理还是事后凑出来的合理化输出，造成对模型推理行为理解的盲区。

2. **核心方法**
利用标准API的自定义工具调用功能，强制模型调用一个专门输出推理文本的工具函数，迫使模型把中间思考过程外化输出，得到提取的推理轨迹。
> 风险考量：提取出来的推理有可能是事后合理化，并非真实思考。因此先在开源模型上做校验，把提取得到的CoT和模型原生CoT做对比验证有效性，再迁移到GPT‑6 Astra这类闭源模型上做实验。

3. **实验数据集**
竞赛数学、科学问题、代码生成任务，覆盖多种需要多步推理的场景。

4. **主要发现**
1）该方法提取得到的推理，性能与原生思维链接近，显著优于无推理基线，证明提取轨迹可以作为原生CoT的有效代理；<