【研究背景】前沿语言模型近年的能力跃升常被归因于推理能力的提升，但在闭源系统中，原始思维链（CoT）轨迹被隐藏，外界无法验证这一说法，也无法审计模型真实的推理过程。【核心问题】如何在不获取模型内部权重或私有日志的前提下，把闭源模型隐藏的中间推理外化出来，并判断这些外化轨迹究竟是真实推理还是事后合理化（post-hoc rationalization）。【方法】作者利用标准 API 自带的工具注册能力，注册一个简单的自定义工具，从而诱导前沿模型将中间推理步骤输出到可观测通道。为验证轨迹的有效性，先在开源模型上与原生 CoT 做对照评估，再扩展到包括 GPT-6 Astra 在内的闭源前沿模型。【主要结果】在竞赛数学、科学问答与代码生成任务上，被提取的推理轨迹表现与原生推理相当，并显著优于完全不推理的基线，说明这些外化轨迹承载了功能性推理信息，而非单纯的解释性文本。随后作者从 token 效率、推理步骤类型、诱导生成的推理树三个维度刻画前沿模型的推理组织方式，发现不同模型在如何外化、压缩和编排推理上存在系统性差异；其中 Astra 呈现 token 高效的定向推理：更早锁定正确轨迹，把基础性步骤放到内部完成，只把关键推理外化出来。【贡献与定位】论文提出了一套可复用的推理外化与行为刻画方法，给出了超越基准分数的模型行为学视角，对闭源模型的推理透明度、可信度与评测方法论都有直接价值。适合模型评测、可解释性、AI 安全治理以及 LLM 行为研究者阅读。