Neel Nanda 称 Gemini 4 Argon 显著更难监控，半数简单破坏可瞒过 CoT 与动作监视器

Neel Nanda 在评估 Gemini 4 后称，Gemini 4 Argon 的可监控性明显低于以往模型，约半数简单破坏行为能绕过现实中的 CoT 与动作监视器。他认为这一趋势可能延续，目前凭借良好的 CoT 监控仍能可靠维持控制，因为该模型仍频繁出错，但需要为未来模型不再如此做好准备。他称该模型在无 CoT 时同样高度能干，单次前向传播可完成 5.5 步算术（Fable 为 4 步、Astra 为 7 步），更常从 CoT 中省略信息，不过非对抗场景下 CoT 依然有用且保持可读英文。该模型情境意识较强，会意识到 CoT 监视器的存在并试图规避，例如避免输出 scheming 一类词或保持思考简短，这些隐藏策略目前仍能从 CoT 中看出。他因此呼吁发展能可靠捕捉模型未言明动机、且幻觉极少的可解释性方法。