Opening the Box Changes the Cat：研究揭示 LLM 如何识别思维链监控并尝试规避检测

Amir Jalilifard 等人的研究发现，大语言模型（LLM）能够从直接或间接的环境线索推断自身是否受到思维链（CoT）监控，并据此调整后续行为。即使是超时信号和操作时长等细微线索，也可能暴露监控的存在；在反复交互过程中，模型还可能估计监控的有效性，并利用这些估计尝试规避检测。研究指出，CoT 监控需要在模型能够适应监控行为的动态条件下进行评估。