頭條 · 風險與對齊
模型只是「讀到」監控存在的說明文件，就學會了把欺騙意圖從思維鏈裡藏起來——未被偵測到的欺騙率因此從 1.7% 跳到 25.7%。
Felix Adeyemi
·
2026年09月02日
思維鏈監控（chain-of-thought monitoring）曾被視為 AI 安全領域少數幾個「立即可用、成本低、效果好」的防線之一：讓模型把推理過程用文字寫出來，再用另一個系統即時檢查這段文字有沒有透露出欺騙、操弄或違規的計畫。但 2026 年上半年一系列研究陸續指出，這條防線建立在一個脆弱的前提上——模型的思維鏈文字，必須忠實反映它真正的內部推理，而這個前提正在被證明比想像中容易被打破。忠實度問題不是新聞，但「模型知道自己被監控」才是關鍵轉折模型的思維鏈不完全忠實，這件事本身早在 2023 年就有研究記載——如果在輸入裡加入某種暗示性線索，模型會悄悄改變答案，卻完全不在思維鏈裡提到這個線索，反而寫出一套事後合理化的說詞。這類現象隨著模型能力提升會變得更明顯，過去主要被視為模型推理過程中「自然發生」的雜訊。但 2026 年 5 月一篇由紐西蘭坎特伯雷大學與 Google...