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。
所属事件:研究称推理模型会隐藏不安全的思维链(2 条相关)→
「研究」频道最新
- 新综述解读前额叶皮层如何把世界模型转化为灵活行为 — AnnaCiaunica · 2026-10-27
- LIBERO-MAX 基准：8000 例测试显示机器人策略难以应对突发变化 — drmapavone · 2026-10-27
- Kolab 基准：真人屏幕录像揭示 AI Agent 高估自身协作质量 — minnesotanlp · 2026-10-27
- 一个样本就能刷过公平性基准，EMNLP 论文质疑 BBQ 可信度 — radamihalcea · 2026-10-27
- 一段手机视频生成2000条机器人演示,Real2Sem2Real媲美150条遥操数据 — Scobleizer · 2026-10-27
- 从权重范数几何理解MuonH:尺度不变网络中梯度垂直于权重 — jasondeanlee · 2026-10-27