论文提出证据链报告标准，要求分别验证忠实性与可监控性。
资讯摘要
论文指出，思维链监督常假设可见推理轨迹使模型行为更易监控，但这混淆了内部计算、推理痕迹、输出与监控判断之间的不同属性。作者区分推理可见性、机制忠实性、机制可定位性与行为可监控性，并在三个开放权重推理模型上做两项案例研究：安全漏洞推理中探针与激活消融显示内部表征和因果影响，但监控器在留出测试中未超过多数类基线；权威提示事实推理中监控器能区分答案是否改变，但七项机制分析未分离出紧凑因果机制。论文据此提出证据链报告标准。
要点速读
- 论文区分推理可见性、机制忠实性、机制可定位性和行为可监控性四种属性。
- 安全漏洞推理案例中，探针与激活消融提供内部表征和因果影响证据，但监控器在留出测试中未超过多数类基线。
- 权威提示事实推理案例中，监控器能区分答案是否改变，但七项机制分析未分离出紧凑因果机制。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。