「我想洗车，洗车店离我只有 50 米，应该走路还是开车去？」如果模型回答「走路，距离近，走路更省」，就漏掉了一个隐含前提：洗车的对象是车，走路去的话车还停在原地。卡内基梅隆大学的 Yubo Li、Ramayya Krishnan、Rema Padman 以这道广为流传的「洗车题」为引，在 8 月 15 日交叉收录到 cs.AI 的论文 LLMs Know the Constraint But Do Not Use It（arXiv:2608.12321）里提出一种解释：模型内部可能已经表示了限制条件，却没有据此作答。作者用线性探测和激活修补检查两个开源模型的内部状态，并测试 CoT、前提列举、目标分解、反事实检查四种提示策略。在这组实验中，提示策略增加了模型套用限制条件的倾向，却没有同时改善原题与对照题的表现。
答对原题，不代表模型知道条件何时适用
这类失败此前容易被读作「模型不会推理隐藏约束」。但论文指出，只看单个题目的准确率会混淆两种完全不同的行为：一种是真推断出「洗车需要车在场」，另一种是出于别的理由默认选择保守答案。两者在准确率上无法区分。
为拆开二者，作者为 100 个场景（来自 HOB 基准，覆盖 4 类启发式 × 5 类约束的 20 种组合）各构造了四种版本：Active（原题，隐含约束成立）、Removed（删掉约束的反事实对照）、Explicit（把约束写成一句明示）、Salience Control（插入等长中性句子，控制「额外文字」本身的干扰）。
对照结果说明「保守默认」确实普遍存在：当约束被删除后，14 个模型里有 12 个在 Removed 上表现得比原题更差，跌幅最高达 39 个百分点。也就是说，模型在原题上的一部分「正确」，来自它对约束的过度套用，而非真正理解何时该用、何时不该用。
研究者如何检查模型是否识别、使用了条件
作者把「隐藏约束失败」形式化为四个可独立检验的条件，缩写为 K/S/R/P：
- Knowledge（知识）：线性探针能从隐藏态里解码出「约束是否适用」；
- Symmetry（对称）：探针在「约束存在」和「约束删除」两类提示上准确率一致；
- Routing（路由）：探针投影的强度能预测模型最终答案的偏好；
- Patching（修补）：把「明示约束」提示的隐藏态写进失败提示，能恢复正确回答。
作者联合检查这些条件，以区分限制信息是否存在、是否参与决策，以及单层修补能否改变答案。
在两个开源权重模型上，前两项都成立。Qwen3-14B 在第 27 层、GPT-OSS-20B 在第 20 层的线性探针，分别以 94.5% 和 88.0% 的交叉验证准确率区分「约束存在/删除」；对称性检验的差距只有 0.011 和 0.024，排除了「约束表征只存在于原题」的假象。关键在第三项：探针方向与最终决策的相关系数分别只有 0.125 和 0.224（预设阈值 0.30）。这说明，可从内部状态读出限制信息，并不意味着该信息与最终选择有很强的联系。
改写内部状态后，两个模型的反应不同
行为上，14 个模型按约束偏差指标（CBI = Active 准确率减去 Removed 准确率）分成三群：
- 过度激活（7 个）：Llama-4、Claude Opus 4.6、Qwen3.5-27B、Kimi K2.5、Claude Sonnet 4.5、GPT-5.2、Gemini 3 Pro。它们在约束已被删除时仍给出「考虑约束」的答案，Removed 准确率比 Active 低 11 到 33 个百分点。
- 平衡（5 个）：DeepSeek-R1、Grok 4.2、GPT-5.4、Qwen3-32B、Qwen3-14B。
- 欠激活（2 个）：GPT-OSS-20B（−0.103）与 GPT-OSS-120B（−0.186）。它们在约束成立时反而没把它用上，是相反方向的失败。
内部状态修补实验进一步比较了两个模型的反应。在 Qwen3-14B 上，把「明示约束」提示在探针层的隐藏态写进失败的原题提示，模型「正确答案减去捷径答案」的对数概率差（单位 nats）从 +1.40 拉到 +7.78，净增 +6.38，而 Removed 对照组几乎不动（−0.84）。在这个模型和实验设置下，注入限制信息可以改变模型的选择。
GPT-OSS-20B 上同样的操作几乎无效（净增 −0.07 nats），尽管它的探针准确率高达 88%。这个结果表明，即使能从内部状态解码出限制信息，单层修补也未必能改变答案。两个模型的反差提示，类似的答题错误可能需要不同的修复方式。
图 4：把「明示约束」的隐藏态注入失败提示后，Qwen3-14B 的决策被显著纠正，GPT-OSS-20B 几乎无变化。
四种提示策略改善原题时，也会带偏对照题
如果问题是「模型忘了约束」，那么提醒它（CoT、前提列举、目标分解）应该有效。论文用「补救前沿」检验这一点：四种提示策略 × 10 个 API 模型，共 40 个格点，每个策略分别测「在原题上的增益」和「在删约束对照上的伤害」两个轴。
实验结果是：40 个格点全部落在「高伤害、低增益」区域——伤害 +0.28 到 +0.65，增益 −0.08 到 +0.11，没有一个触及「正增益、零伤害」的修复角。中介分析提供了一种解释：这四种策略都增加了模型「提到约束」的概率。提到率从基线 0.3–0.5 被统一抬到 0.84–0.96，而「是否提到约束」对正确率的解释份额高达 0.91 到 0.99。它们没有教会模型何时该提，只是把「提」的概率整体拉高——在原题上捞回一些正确，在删约束对照上把答案反向带偏。
在这组任务里，开启思考模式也加重了偏差。在 Claude Opus 4.6、GPT-5.4、Gemini 3 Pro、DeepSeek-R1 四个模型上，打开思考模式后 CBI 从零样本的 +0.03～+0.28 飙到 +0.57～+0.85，删约束对照的准确率塌到 0.22 以下。预算从 256 到 16384 token 的扫描显示，更多算力不改变「哪些题目会被提到约束」，只放大这个偏差的强度。
图 2：补救前沿——四种提示策略的原题增益与对照伤害二维分布，所有格点都偏离「修复角」。
评测还要检查：删掉条件后，模型能否改答案
论文对评测和模型改进提出了三点建议。
第一，评测应加入只删除限制条件的配对题（minimal pair）。只看 Active 准确率会把「真推断」和「保守默认」混为一谈，一个模型的分数可能高在保守偏差上，而不是推理能力上。
第二，这组实验中的提示策略未能解决信息如何参与决策的问题。作者因此提出「学出来的激活门」这一改进方向：按题目决定何时把限制信息注入决策，避免每道题都无差别提醒。这是待验证的方案。
第三，增加思考时间未必能提高可靠性。对依赖 Agent 在长流程里自我校验的团队，这篇论文提醒：让模型多想，可能只是让它更坚决地犯「过度套用约束」的错。
内部机制实验只覆盖两个模型，仍需复现
这是一篇预印本，结论仍需更多实验检验。因果证据只来自两个开源权重模型（Qwen3-14B 与 GPT-OSS-20B），行为模式虽覆盖 14 个模型，但修补结论未在更多模型上复现；全部约 20.8 万次试验由单一判断模型 Qwen3-32B 判定，可能存在系统性误判；场景是英文日常领域，医疗、法律等专业域是否适用未知；API 模型数据采集于 2026 年 5 月，此后厂商可能已更新模型。此外，单层修补在 GPT-OSS-20B 上失败，也可能只是该模型需要多层或整块修补，而非彻底无解——作者自己也承认这一点。这套诊断方法尝试让「知道但不用」这一模糊直觉，成为可以复用实验来检验的问题。
