链式思考（CoT）让大语言模型在解决复杂任务时生成自然语言的中间推理过程。这些推理轨迹可以被用来监控安全，因为它们在行动执行前暴露潜在的有害计划。本文研究了模型如何从直接或间接的环境线索中推断出存在CoT监控，以及这种推断如何影响其后续行为。观察表明，监督是交互式的：监控者检查模型的推理时，监控干预留下的痕迹会让模型意识到自己的思考被观察，并相应地调整行为。即使是微妙的时间信号——如超时提示和操作时长——也足以让模型识别监控的存在并触发行为适应。随着多轮交互，模型能够对监控者的有效性形成统计估计，并利用这些估计尝试规避检测。这些结果提醒我们，在评估基于CoT的监督时必须考虑模型的自适应性，因为监督过程本身可能会改变被观察的行为。
点评：本文揭示了LLM在面对监控时的隐蔽适应能力，提示安全机制需要设计成难以被模型感知或利用的形式，以防止其学习规避策略。