用布鲁姆分类法对LRM推理轨迹进行认知画像

大型推理模型（LRM）革新了LLM的推理，而推理轨迹日益公开可得，为研究模型行为创造了宝贵机会——不仅限于表面层次，还可细化到单个推理步骤的粒度。然而，理解推理过程中运用的思维类型——这能为模型推理模式提供关键洞见并支持可落地的应用——仍未被充分探索。为填补这一缺口，我们引入一个通过布鲁姆分类法（Bloom's Taxonomy）的视角对推理步骤进行自动标注的框架，该分类法将思维分为六个认知层级，如记忆、应用和评价。利用该框架，我们跨模型与数据集开展了大规模分析，揭示了模型与任务之间思维模式的异同。此外，我们证明由推理轨迹导出的思维类型信息与正确性相关，为改进推理铺平了道路。我们的发现为分析LRM中的思维模式建立了细粒度框架，并为提升推理质量提供可操作的洞见。