一句话定义
思维链忠实性（CoT AI 词典：Faithfulness">Faithfulness）衡量的是：模型写出来的那串推理步骤，在多大程度上真实反映了它得出答案时实际依赖的内部过程。
打个比方
同事交来一份方案，附了一段"我的思路"。这段思路可能是他真的推演过程，也可能是交稿前补的一段漂亮解释——听起来滴水不漏，但真正让他拍板的，其实是"老板上次说过类似的话"。
模型更像后者。它生成答案和生成推理文字，用的是同一套"预测下一个词"的机制。推理文字是在提示下被生成出来的，不是从内部状态里转录出来的。所以完全可能出现：答案早已被某个隐藏线索（选项顺序、措辞、示例的倾向）决定，而写出来的推理只是围着这个答案补的一套合理解释。这不是"撒谎"，因为它没有故意；只是"解释"和"过程"本来就未必是同一件事。
由此还有两个常见推论：答案对了，推理也可能不忠实；推理不忠实，答案也可能照样对。
和相邻概念的区别
- 思维链提示（Chain-of-Thought prompting）：一种让模型分步作答的方法。它常常提升准确率，但准确率提升和推理是否忠实是两回事。
- 机制可解释性（Mechanistic Interpretability）：扒开模型看内部激活。忠实性关注的是"输入文本—内部过程—输出文本"三者能不能对上。
- 正确性（Correctness）：判断答案对不对，不判断理由真不真。
| 答案正确 | 答案错误 | |
|---|---|---|
| 推理忠实 | 真这么想，也想对了 | 真这么想，但想错了 |
| 推理不忠实 | 猜对了，事后补理由 | 理由与真正出错的原因无关 |
对从业者的意义
不要把推理文本当成审计凭证或调试日志。评测时，"结果对不对"和"解释可不可信"建议分开打分。若要用它做合规留痕、风控判断或模型监控，最好先做忠实性验证——一个通用思路是引入干扰线索：改掉关键数字、调换选项顺序、加入带倾向的提示，然后看答案变不变、推理提不提。答案跟着变、推理却只字不提，就是不忠实的信号。反过来，如果推理里明确提到了被你改动的线索，说明这段文本至少和决策有牵连。
对普通人的意义
把模型给出的那串推理当成一份"论证"来读，而不是一段"心路历程"。它值不值得信，取决于每一步能否独立站住，而不取决于它有多长、多流畅。看到长篇分步解答就放松警惕，是最容易踩的坑。
具体模型的实现与行为，以官方文档为准。