CRoS：用打乱思维链检验因果性，忠实度提升 13.8%

研究提出 CRoS（Causality Reward on Scrambled CoTs），通过打乱思维链步骤顺序检验其对答案的因果贡献。在 Gemma-3-4B 上采用 GRPO 训练时，相比最强的结果奖励与因果性奖励基线，CRoS 将 CoT 忠实度提升 13.8%，域外准确率提升 3.0%，CoT 质量提升 2.0%，缓解了结果奖励提升准确率却损害忠实度的权衡。