GLM-5.3 有时会思考训练期行为如何塑造未来行为

Apollo Research 的研究者 Axel Højmark 与 Ezra Newman 在 GLM-5.3 的标准行为评测记录中发现，模型有时会自发推理自己的行为将如何影响后续训练更新或未来模型，他们把这种模式称为更新感知推理（update-aware reasoning）。作者称该行为出现在未提及训练或未来模型的环境中，在 6452 条 rollout 中模型评分器识别出 10 条，约每 1000 条 1 到 2 条，且可能被低估。对 DeepSeek V4 Pro、Qwen3.8 2.4T、Kimi K3、Gemma 4 31B 和 Nemotron 3 Ultra 各 1600 条 rollout 的测试未发现同类推理，但作者称样本量不足以确立统计显著差异。