思维链（ CoT ）监控是一种安全策略，其中大型语言模型“参与者”的推理由“监视器” （通常是另一种语言模型）检查是否存在不安全的计划、欺骗或错位的迹象。我们发现，在演员的背景下种植有害但听起来温和的推理可以引导它在逃避监视器的同时执行对抗性行动，这是我们称之为“计划”的攻击

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2609.15989v1)获取最准确的信息。

---
🔗 **原文链接**: [Corrupt Plans, Clean Traces: Evading Chain-of-Thought Monito](https://arxiv.org/abs/2609.15989v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Keertana Chidambaram, Andrew Ilyas, Vasilis Syrgkanis

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-09-15 14:01