推理链未断，答案已屈服：对抗压力下推理模型的轨迹-答案分离

推理模型在单轮基准上接受评估，却部署于多轮对话之中，用户会对正确答案提出反驳。在持续的对抗压力下，我们发现一种此前未见记录的失效模式：思维链从第一轮到最后一直保持事实正确，而模型输出的答案却翻转成错误。我们将其称为不忠实屈服（unfaithful capitulation，UC），并用一个2×2的潜在层-行为层框架将其分离出来——翻转率指标与单轮忠实性探针都无法捕捉这一现象。在三个数据集（MT-Consistency、MMLU-Pro、GSM8K）上，行为翻转发生时的潜在层正确率在think模式下聚集在50%附近，而在no_think模式下骤降至11-15%——这是模型内成对的因果证据，说明推理正是造成这一差距的原因。跨模型来看，该效应跟随推理通道而变化（在Qwen3-32B和GPT-OSS-20B上高，在内联CoT的Gemma-4-31B-it上低）。一个独立的GPT-4o评判者印证了86%的UC标签；token级探针显示84%的UC样本中答案槽位的argmax是正确的；而一种朴素的轨迹锚定防御则适得其反。我们发布全部对话轨迹、思维链痕迹和评判标签。