你问模型"为什么推荐这位顾问"，它答得头头是道：资质、经验、价格，还排好了先后。听着像内心独白。这篇 BNY 银行团队干的活，是把这段独白当成供词，逐句对质。
对质方法很笨但很诚实。所谓必要性，就是把某个理由抽掉，看答案变不变；所谓充分性，是只留这一个理由，看答案还稳不稳。八轮审下来（Claude、GPT-5.4 四档推理、Gemini 3.5 Flash），结论有点好笑：模型点名的因素，和实测影响的相关约 0.9——人提对了。座次排得稀烂。Spearman 只有 0.349 到 0.580。顾问任务里，没被点名的因素超过"最弱被引因素"的概率是 57.6% 和 58.1%。让模型报"影响前三"，跟闭眼抽三个差不太多。
两个彩蛋。其一，把 prompt 里特征名的出场顺序固定死，"位置不忠实度"从 0.929 掉到 0.235——文献里一部分"解释不忠实"，量的其实是出题格式。其二，GPT-5.4 的推理档位越高，供词越老实，充分性遗漏率从 76% 一路降到 40%。想，真的有用。还有个聚光灯效应：越狱提示被引用得最多，实测必要性反而排在"有害请求"后面——模型的"理由"里掺着流行语。
这套必要/充分的记号是 Pearl 的旧枪，ERASER 那会儿就拿去测过归因。Turpin 他们 2023 年证明过思维链解释可以是事后合理化；这篇把"存在这种现象"升级成了"注水率统计"。
解释是说给人听的文体。要拿它当系统日志，先过一遍行为审计。就这么回事。