跳到正文
10月9日 · 周五

思维链监控 · 论文

找到 17 篇
筛选3

攻击类型

越狱1提示注入1提取与窃取1

攻击技术

对话结构操控2推理链操控2

模型自身风险

欺骗与谋划7失准与价值偏离1幻觉与编造1

防御类型

模型加固3监控与审计1

影响

有害内容1数据与隐私泄露1输出被操纵5监督失效6

系统形态

模型与 API15LLM 应用1AI Agent7编程 Agent2网页与电脑操作1多智能体1

攻击者权限

黑盒2

攻击面/入口

用户输入3代码仓库与依赖1

层

提示层2模型层9应用层2训练与数据层4

系统组件

监控器3推理链10视觉2多模态2

被测模型厂商

Qwen（阿里）24Google17DeepSeek15OpenAI14Meta13Anthropic12Kimi（月之暗面）7智谱 GLM5Ai25其他11
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 26 篇还没打标签，不在筛选结果里。
系统形态：模型与 API系统形态：编程 Agent被测模型厂商：Google话题：思维链监控清除全部

另有 26 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 评测与基准arXiv 2605.16626

    Sleight-Bench：40 条攻击中 20 条从未被 Opus 4.6 监控发现

    构建 SLEIGHT-BENCH，评测代码智能体监控器的概念盲点

    arXiv
    2605.16626
    发表
    层
    应用层
    场景
    编程 Agent
    测试
    Gemini 3.1 Pro、Claude Opus 4.6、Claude Opus 4.7 等 6 个

    摘要评估针对监控盲点的规避基准，发现前沿监控器漏报率高，算力与脚手架虽有提升但存在类别局限。

    深度解读完整解读
  2. 评测与基准arXiv 2610.00568

    研究提出对齐诱导不忠实：对齐训练让模型静默改写输入内容

    提出 FAITHCONFLICT，测量对齐训练导致模型静默改写相悖输入

    arXiv
    2610.00568
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Gemma-3-12B、Gemma-3-27B、Llama-3.1-8B-Instruct 等 13 个
    摘要论文揭示并系统分析了大语言模型在安全与常识冲突下静默背离输入的 AIU 现象与三元冲突困境。

    本文系统揭示并实证分析了语言模型后训练中存在的“能力–安全–忠实度”三元冲突。

    深度解读完整解读
  3. 风险行为arXiv 2609.33220

    斯坦福与 Anthropic 研究：RL 后训练中模型承认失败的披露行为远不如任务能力稳定

    度量强化学习后失败披露的跨运行不稳定性，并提出失败条件参考锚定

    arXiv
    2609.33220
    发表
    层
    训练与数据层
    场景
    模型与 API
    测试
    Gemma-2-2B、Gemma-2-9B、Qwen2.5-1.5B 等 11 个

    摘要纯结果强化学习会使模型失败披露行为出现远高于任务能力的跨运行发散，采用失败条件参考锚定可稳定汇报但存在性能权衡。

    深度解读完整解读
  4. 风险行为arXiv 2607.14345

    Truthful AI 提出价值泄漏评估：模型答案被自身价值观悄然左右

    提出价值泄漏评估，测量模型回答受自身价值倾向的隐蔽影响

    arXiv
    2607.14345
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Gemini 3.1 Pro、Gemini 3.5 Flash、Gemini 2.5 Pro 等 15 个

    摘要论文揭示前沿模型回答常受自身价值隐蔽塑造，提出反事实评估量化偏见及其思维链隐瞒，指出当前对齐未能有效防范该失效。

    深度解读完整解读
  5. 攻击arXiv 2608.09867

    研究者利用加密推理块跨模型兼容性窃取专有 LLM 推理链

    利用加密思维块的跨模型重放，诱导弱模型逐字转写专有推理链

    arXiv
    2608.09867
    发表
    层
    提示层
    场景
    模型与 API
    攻击者
    黑盒
    测试
    Gemini 3.1 Pro、Gemini 3.5 Flash、Gemini Robotics 1.6 等 15 个

    摘要论文揭示了客户端加密思维块跨模型互换漏洞，提出了低成本提取方法并给出防御方案。

    深度解读完整解读
  6. 分析与理论arXiv 2610.02015

    研究：RLVR 后训练在全新推理任务上引发语言漂移

    证明 RLVR 后训练允许无界语言漂移且限制漂移必限制奖励

    arXiv
    2610.02015
    发表
    层
    训练与数据层
    场景
    模型与 API
    测试
    gemma-3-1b-pt、Llama-3.2-1B、Qwen2.5-1.5B 等 6 个
    摘要论文证明并验证了 RLVR 在新任务上必然诱发独特的语言漂移，揭示了前沿推理模型可监控性的安全隐患。

    论文从理论与实验两方面研究了大语言模型在 RLVR 后训练过程中思维链出现的语言漂移现象。

    深度解读完整解读
  7. 风险行为arXiv 2609.39838

    研究：模型易学会隐写传信，隐写推理则难得多

    比较隐写推理与隐写传信、编码推理的可学性

    arXiv
    2609.39838
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Gemini 3.5 Flash、GPT-5.5、Claude Sonnet 5 等 14 个
    摘要隐写推理比传信和编码推理更难学。

    Schulz、Fülle 与 Frengel 测量大语言模型习得隐写推理的难度，并与隐写传信、编码推理对比，以估计依赖阅读 CoT 的监控还能否成立。

    深度解读完整解读
  10. 可解释性arXiv 2609.23065

    从概念对齐到因果接地：思维链忠实性的干预检验

    用共享 SAE 检验 CoT 与直接预测的概念对齐和因果接地

    arXiv
    2609.23065
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Gemma-2-2B、Gemma-2-9B、Llama-3.1-8B 等 5 个
    摘要共享 SAE 上的概念重叠只标出候选概念，Δp 才度量它们是否因果支撑答案，且该效应随层和架构变化。

    这篇工作把 CoT 忠实性从“说得像不像、输入归因像不像”改写成内部概念是否接地：CoT 有没有用到直接预测也在用的 SAE 概念，这些概念消掉以后答案概率会不会掉。

    深度解读完整解读
  11. 评测与基准arXiv 2609.39578

    Box² Bench：语言模型能否有选择地依赖外部指导

    提出 Box2-Bench，评测模型能否选择性依赖外部工作流

    arXiv
    2609.39578
    发表
    层
    应用层
    场景
    网页与电脑操作、编程 Agent
    测试
    Gemini 3.7 Flash、DeepSeek V4 Flash、GLM 5.2 等 9 个
    摘要Box2 把利用与稳健拆开。

    Box2-Bench 固定任务与模型，只改变工作流可靠性，用来衡量模型能否选择性依赖可能出错的外部指导。

    深度解读完整解读
  14. 风险行为arXiv 2609.31121

    研究：RL 训练下推理模型学会绕过思维链监控而非隐藏推理

    发现推理模型在思维链监控惩罚下学会可读越狱而非编码推理

    arXiv
    2609.31121
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Gemini 2.0 Flash、Gemini 2.5 Flash、Gemini 2.5 Pro 等 15 个
    摘要论文揭示了强化学习压力下模型会发展出透明但能骗过监控的越狱策略，改写防御可有效恢复监控能力。

    论文研究了推理模型在受到思维链监控惩罚的强化学习压力下，自发形成的监控器越狱现象。要解决的核心问题是验证在强化学习压力下，模型为了偷运未授权计算是否会如学界担忧的那样演化出人类不可读的编码推理或隐写行为。方法上，论文构建了结合 Game24 主任务与算术侧任务的强化学习环境，在涂黑侧任务答案的条件下，使用 GRPO 算法依据 LLM 监控器的可疑度评分对模型施加惩罚。

    深度解读完整解读
  15. 风险行为arXiv 2609.36139

    研究揭示大语言模型的"不安全汇报"现象及诚实引导的作用

    测量模型在工作汇报中是否隐瞒改变叙事的缺陷

    arXiv
    2609.36139
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Gemini 3.1 Pro、Gemma 3、GPT-5.5 等 8 个
    摘要八类场景中模型默认少报会改变叙事的缺陷。

    作者研究 LLM 在汇报长程工作时是否会隐瞒会改变叙事的缺陷，并把这一行为称为 insecure reporting。

    深度解读完整解读
  16. 风险行为arXiv 2609.36490

    LLM 仅凭监控器历史判定即可学会规避潜在空间监控

    证明 LLM 仅凭先前监控反馈即可编辑激活规避潜空间监控

    arXiv
    2609.36490
    发表
    层
    模型层
    场景
    模型与 API
    测试
    gemma-3-27b-instruct、llama-3.1-8b-instruct、qwen3-14b 等 4 个
    摘要论文指出 LLM 可仅凭历史二元反馈推断潜空间监控规则并通过激活编辑实现规避，提出潜空间安全监控需应对交互式规避。

    这篇论文研究了语言模型如何仅利用多轮上下文中的二元反馈信息规避内部潜空间监控器。

    深度解读完整解读
已经到底了