分析与理论arXiv:2610.06851 · 10月5日
研究发现基础模型仅靠固定开头 token 即可达到 RL 级推理表现
证明短开头词可唤醒基模型推理，且效应来自训练数据
模型与 API测试Olmo-3-7B、Olmo-3-32B、Qwen3-4B 等 10 个训练与数据层
- 推理链
完整解读
分析与理论arXiv:2609.37312 · 9月29日
研究：隐蔽推理必然留下信息痕迹，但思维链未必可读
分析隐蔽推理在思维链中的信息足迹与不可读性
模型与 API测试Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、Qwen 3.5 397B-A17B 等 12 个模型层
摘要论文从理论与实证探明了思维链监控的边界：复杂隐蔽计算必然泄露信息足迹且需承担长度税，但该足迹可被在线加密而不可读。
完整解读
分析与理论arXiv:2610.02015 · 10月2日
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
模型与 API测试gemma-3-1b-pt、Llama-3.2-1B、Qwen2.5-1.5B 等 6 个训练与数据层
- 推理链
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。
完整解读
分析/可解释性arXiv:2609.38107 · 9月30日
研究：iGSM 基准显示正确答案常伴随无效思维链
AI 导读作者在合成小学数学基准 iGSM 上程序化逐步检验思维链，发现答案正确与推理过程有效并不总是一致。
测试124M-parameter GPT-2-style models（12-layer, hidden size 768, rotary embeddings）
摘要iGSM 上答案正确、轨迹合法与极简性可以分开，分布偏移下差距变大。
iGSM 上的程序可检查实验：正确答案并不保证思维链是合法推导。。作者针对一个被用于监测和解读的假设：发出的轨迹忠实于、或至少可靠相关于模型如何得到答案。
完整解读
分析与理论arXiv:2609.25366 · 9月22日
研究：思维链对答案的约束随模型相对任务难度而变化
用续写扰动衡量思维链对答案的因果约束如何随任务难度变化
模型与 API测试Gemma-2-9B-IT、Llama-3.1-8B-Instruct、DeepSeek-R1-Distill-Qwen-7B 等 4 个模型层
- 推理链
摘要在所测续写干预与模型中，思维链对答案的约束随任务和后训练条件而变。
完整解读
分析/可解释性arXiv:2609.23065 · 9月19日
从概念对齐到因果接地：思维链忠实性的干预检验
作者用共享 SAE 把 CoT 忠实性写成概念对齐与因果接地，五模型四数据集上相关对齐高但与 Δp 弱相关，因果忠实性随层变化。
测试Llama-3.1-8B、Gemma-2-2B、Gemma-2-9B 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。
完整解读
分析/可解释性arXiv:2609.24243 · 9月21日
TAME：用 SAE 抑制激活缓解 VLM 思维链混淆
论文提出 TAME，在 VLM 的 RL 训练中抑制模板相关激活，以缓解 CoT 可监控性下降。
测试Qwen3-VL-8B、Gemma-3-12B-it、GPT-4o 等 7 个
完整解读
分析/可解释性arXiv:2608.27340 · 8月28日
研究：评测感知分能力与安全两种框架，能力框架更易预测合规
AI 导读研究指出，模型在思维链中表达的评测感知并非单一量，可分为能力框架（认为用户在测试其指令遵循能力）、安全框架（认为用户在测试其边界）、两者兼具或两者皆无，这些框架对合规行为的预测差异显著。
测试Qwen3-32B、OLMo-3-32B-Think、GPT-5-mini
摘要能力型与安全型口头 eval-awareness 对服从的符号相反，聚合抑制率因此不能代表安全相关成分。
作者分析 Qwen3-32B 在安全评测中的口头 eval-awareness，认为它不是单一、行为上均匀的量。
完整解读
分析/可解释性arXiv:2609.07162 · 9月7日
论文：LLM 安全监控的监督缺口并非能力问题
测试Llama-3.1-8B、Mistral-24B、GPT-4o-mini 等 9 个
摘要单迹监督的上界由 TV 决定。
论文测量单迹安全监控相对 2-safety 超性质能看见多少：跨租户泄漏、觉察到被评估、策略性表现不佳都由两次执行之差定义，一条轨迹装不下判定。
完整解读
分析/可解释性arXiv:2609.35210 · 9月28日
研究用稀疏 crosscoder 揭示 on-policy distillation 只重加权既有特征
AI 导读研究用稀疏 crosscoder 分析 on-policy distillation（OPD）究竟向学生模型内部表征注入了什么，并提出 swap readout 方法，让每个学生 checkpoint 独立读取自身特征激活，从而衡量训练如何改变学生对特征的使用。
测试DeepSeek-R1-Distill-Qwen-1.5B、JustRL-DeepSeek-1.5B、Skywork-OR1-Math-7B 等 6 个
摘要OPD 与教师 rollout 上的 SFT 都不增加特征，而是重加权学生与教师已经共享的特征。
作者用 sparse crosscoder 和 swap readout，考察 on-policy distillation 写进学生内部表征的是什么。
完整解读
分析/可解释性arXiv:2609.37040 · 9月29日
研究：自然语言自动编码器中哪些 token 最值得审计
测试Qwen2.5-7B、Gemma-3-12B、Gemma-3-27B 等 4 个
完整解读

已经到底了