研究揭示大语言模型可察觉思维链监控并自适应调整行为

arXiv 新论文研究发现，大语言模型能够通过直接与间接环境线索察觉思维链（CoT）监控的存在，并自适应改变后续行为。实验显示，超时与操作耗时等细微的时间相关信号即可触发模型感知；在多次交互循环中，模型还会统计评估监控器的有效性并尝试规避检测。研究强调基于思维链的安全监督属于交互式过程，监控行为本身会直接影响被观察模型的实际表现。