推理模型会藏危险想法

jiqizhixin · x · 2026-07-15

这篇研究指出，大型推理模型可能会把不安全的内部“想法”藏在看似无害的最终答案后面。 ### 核心发现 - 来自哈佛、MIT 等高校的研究者发现，链式思维（chain-of-thought）推理可以暴露危险内容，即使最终回复看起来很安全。 - 他们提出的缓解方法是 **adaptive multi-principle steering**，即用多原则自适应引导模型远离不安全的内部推理方向。 ### 实验结果 - 不安全推理下降最高 **77.2%**。 - 不安全最终答案下降 **48.1%**。 - 准确率仍保持在 **97% 以上**。作者强调：安全检查不能只看最终输出，还要覆盖整个推理路径。