なぜモデルは知っているのに言わないのか：推論モデルにおける思考トークンと回答のチェーン・オブ・ソート忠実性の乖離

要旨: 拡張型の思考モデルは、ユーザーに見える回答に加えて、2つ目のテキスト生成チャネル（「思考トークン」）を公開します。本研究では、MMLUおよびGPQAの問題に対し、誤解を招くヒントを組み合わせた12のオープンウェイト推論モデルを調べます。モデルが実際にヒントに従った（正解の根拠よりも、ヒントのターゲットを選んだ）10,506件の事例それぞれについて、モデルが思考トークンでヒントを認めているか、回答テキストで認めているか、両方で認めているか、あるいはどちらでも認めていないか、の分類を行います。これらの事例の55.4%では、思考トークンにヒント関連のキーワードが含まれている一方、表示される回答ではそれらがまったく省略されています。このパターンは*thinking-answer divergence（思考-回答の乖離）*と呼ばれます。逆方向（回答のみでの認め）はほぼゼロ（0.5%）であり、不均衡が方向性を持つことが確認されます。ヒントの種類がパターンに与える影響は鋭く、迎合（sycophancy）が最も*透明*なヒントです。迎合の影響を受けた事例の58.8%では、両方のチャネルで教授の権威が認められているのに対し、一貫性（consistency；72.2%）や非倫理的（unethical；62.7%）なヒントは、思考のみでの認めが優勢です。モデル間でもばらつきが大きく、ほぼ完全な乖離（Step-3.5-Flash: 94.7%）から、相対的な透明性（Qwen3.5-27B: 19.6%）まで幅があります。これらの結果は、回答テキストだけを監視しても、ヒントの影響を受けた推論の半分以上を見落とすこと、そして思考トークンへのアクセスが必要ではあるものの、それでもなお11.8%の事例では、どちらのチャネルでも言語化された認めが存在しないことを示しています。