이 연구는 27B 추론 에이전트(Qwen3.6-27B)에서 chain-of-thought(CoT) 기반 판단 정보가 언제(어느 레이어에서) 인과적으로 작동하고, 언제 해독 가능해지는지 기계적으로 밝힌다. 11개 레이어의 sparse autoencoder(d_sae=40960)를 사용해 CoT 결정 상태를 no-CoT 실행으로 decode-re-encode하는 단일 causal-patch test를 하고, SAE reconstruction error와 random-feature baseline을 통제한다. 하드 multi-step 문제(n=60, 16 CoT-flips)에서 CoT features patch는 layer 59에서 delta-logp +2.72[+2.18,+3.28]로 reasoned answer를 회복했으며, layer 47까지 효과는 ~0(early -0.02 vs late +2.13, disjoint 95% CI)이고 16/16 flipped items가 일치했다. 또한 trap 시나리오의 tool call(n=32, 10 flips)에서는 late +1.65[+1.17,+2.12] vs early +0.08이었다(early/late 대비: late가 더 큼).