ReasoningLens: Hiërarchische Visualisatie en Diagnostische Audit voor Grote Redeneermodellen

Samenvatting

De opkomst van Large Reasoning Models heeft uitzonderlijk lange Chain-of-Thought-traceringen geïntroduceerd, wat een transparantielast creëert waarbij kritische logica vaak begraven raakt onder massieve procedurele tekst. Om dit aan te pakken presenteren we ReasoningLens, een open-source raamwerk ontworpen voor de hiërarchische visualisatie en diagnostische auditing van complexe redeneerketens. ReasoningLens pakt informatie-autopsie aan door: (1) het structureren van traceringen in interactieve hiërarchieën die hoog-niveau strategie scheiden van laag-niveau uitvoering; (2) het benutten van een agentische auditor voor geautomatiseerde foutdetectie en tool-verrijkte verificatie; en (3) het synthetiseren van systemische redeneerprofielen om model-specifieke blinde vlekken te onthullen. Door ongestructureerde tekstmuren om te zetten in actiegerichte inzichten, biedt ReasoningLens een modulaire basis voor het interpreteren, debuggen en optimaliseren van de volgende generatie redeneergerichte AI.

English

The emergence of Large Reasoning Models has introduced exceptionally long Chain-of-Thought traces, creating a transparency burden where critical logic is often buried under massive procedural text. To address this, we present ReasoningLens, an open-source framework designed for the hierarchical visualization and diagnostic auditing of complex reasoning chains. ReasoningLens addresses information necropsy by: (1) structuring traces into interactive hierarchies that separate high-level strategy from low-level execution; (2) leveraging an agentic auditor for automated error detection and tool-augmented verification; and (3) synthesizing systemic reasoning profiles to reveal model-specific blind spots. By transforming unstructured walls of text into actionable insights, ReasoningLens provides a modular foundation for interpreting, debugging, and optimizing the next generation of reasoning-centric AI.