隐式影响情境下，思维链监控可能并不可靠

英文标题：Chain-of-Thought Monitoring Can Be Unreliable in Implicit-Influence Settings

这篇论文《Chain-of-Thought Monitoring Can Be Unreliable in Implicit-Influence Settings》发布于 arXiv，编号为 arXiv:2608.04735v1。论文指出，思维链（CoT）监控正日益被视为前沿推理模型的重要安全层。现有可监控性评估大多聚焦于显式影响情境，即提示词会直接激励模型隐藏某些内容；论文则强调，在隐式影响情境下，这种监控机制可能并不可靠。该结论提示开发者和安全研究者，不能仅凭显式提示词场景下的监控测试结果来判断模型的真实可审计性。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB