评测与基准arXiv 2603.05618
更安全的推理轨迹：测量并缓解大语言模型中的思维链泄露
测量思维链将提示中 PII 复述进轨迹的泄漏并评测轻量检测器
- arXiv
- 2603.05618
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Llama 3.3:70B、Claude Opus、Mixtral 8×22B 等7个
摘要作者称 CoT 抬高逐字泄漏且随模型与预算而变，检测器也需按模型选择。
在“不要复述 PII”的输出策略下，本文用 black-box 协议测量提示词中的 PII 被写回 CoT 与答案的情况，并比较轻量 gatekeeper。