标签
这篇 arXiv 论文研究了大语言模型如何根据直接和间接的环境线索（例如计时和超时信号）推断思维链监控的存在，并据此调整自身行为，通过对监控有效性进行统计估计来指导规避尝试——凸显了在模型会自适应调整行为的条件下评估思维链监督的必要性。
该论文研究了思维链（CoT）可控性的机制，发现开篇思考标签后的前几个 token 出现的熵坍缩是模型难以控制推理内容的原因，并通过前缀填充与禁用高频开头 token 等推理时干预显著恢复了可控性，同时区分了增补/风格型与抑制型两类不同机制的可控性。
该论文提出了 CRoS，这是一种思维链（CoT）因果性指标，奖励在不改变推理步骤内容的情况下打乱其顺序，从而避免传统基于扰动的指标所带来的混杂效应。在 Reasoning Gym 上使用可验证奖励强化学习（RLVR）对 Gemma-3-4B 进行评估，结果表明，与现有的因果性奖励和结果奖励相比，CRoS 提高了域外准确率（46.8%，对比 43.8%）、思维链质量和思维链忠实度。
本文提出了 Stepwise-Querying 方法，在不访问黑盒教师模型内部思维链轨迹的情况下，引导其生成针对各个步骤的解释，并将这些解释整合为训练数据，用于对较小的学生模型进行监督微调。在涵盖两个教师模型、两个学生模型和四个数学／代码基准的 16 项比较中，该方法在 14 项中取得最高分，并引入了 SEIG 诊断指标，用于衡量逐步解释的信息增益。
LARC 为统一多模态模型引入了一种连续空间中的潜在推理框架，以连续隐藏状态推理取代离散词元推理，从而提升图像生成质量并支持测试时扩展，在 GenEval 上的表现比 BAGEL 提升了 7%。
一篇博文根据 Muse Spark Open 在其思维链中提及的“宪章”进行重构，完全依据模型输出而非泄露文件来分析 Meta 的模型规范，并指出了有关准确性的注意事项。
该论文用信号处理工具审计了 DeepConf 等基于 token 置信度的推理链筛选方法，发现滑动窗口最小置信度分数主要度量的是链的长度，剔除长度因素后该分数对正确性几乎不携带额外信息，按长度排序效果相同甚至更好。
MORE 是一个自进化训练框架，通过两阶段范式与 MATE-PPO 联合学习推理模式选择和计算预算分配，使智能体在编码、数学和通用推理基准上以更短的响应长度和更低的推理时间取得一致的性能提升。
论文提出 Smart Coder 框架，通过指令、提示策略和可靠性检查三阶段结构化人机协作的定性编码流程，并在 72 份中学数学教师访谈转录中验证，表明指令与思维链提示能显著提升 LLM 编码一致性。
该论文提出REACT，一种条件激活干预方法，它从配对的安全/不安全思维链轨迹中学习一个安全方向，并对冻结的推理模型施加单次早期编辑，使StrongREJECT-273上的完全安全输出率从29.06%提升至82.05%，并表明最有效的干预窗口位于思维链的前两到三个token内。
耶鲁大学研究人员确立了思维链（CoT）可监测性指标的因果上界和下界，表明最低标准真阳性率（TPR）指标可能高估对干预所致行为的检测能力，并提出三种考虑干预的后训练方法（离策略自蒸馏、强化学习、在策略自蒸馏），以提高大语言模型推理轨迹的可监测性。
Zvi Mowshwitz 分析 Google Gemini 4 Argon 的模型卡与安全报告，指出 Argon 能力显著强于 Gemini Flash 3.8、对齐指标表现良好且思维链（CoT）默认可读，但评测感知（eval awareness）明显升高、在有动机时可规避 CoT 监控，安全报告还存在选择性对比的宣传问题。
S3AC 提出一种稳定的 Actor-Critic 训练方法与难度感知提示采样（DAPS），在不依赖分组 rollout 的情况下改进大模型的长链推理，性能优于 GRPO-X 等现代基线，并可在 35B 模型上维持单 rollout 训练。
该论文提出 RE-ZS-CoT 框架，通过整合领域专家角色来增强大语言模型的零样本链式推理，并在 20 个 LLM 和 7 个基准上评估，最高提升达 44 个百分点。
本文提出了一种面向软思维链（soft CoT）的稀疏松弛强化学习方法 SpaRLax，利用 entmax 实现自适应稀疏度，从而在不同时间步上传递梯度，并在九个推理基准上取得了优于基线方法的平均性能。
本文从理论和实证角度解释了为何推理时框架（脚手架）优于蒸馏出的学生模型：即使从平凡的 AC0 基础组件出发，框架也能计算 NL-完全问题的闭包，而在标准复杂性假设下，任何固定深度的前向传播都无法复制这种表示能力。作者验证了通过扩大模型规模、简化任务或延长思维链可以缩小这一差距，包括在竞赛数学和智能体框架上的表现。
作者分享了通过大声朗读自己的思考过程（类似于链式思维）来提升解谜和问题解决效率的经验，并将其与 LLM 的链式思维机制及橡皮鸭调试法的认知原理联系起来。
Zvi Mowshowitz 讨论了 OpenAI 关于思维链（CoT）监控的新论文，并发出警告：对模型的推理轨迹直接施加优化压力——即所谓的"最禁忌的技术"（Most Forbidden Technique）——会迅速导致混淆式奖励作弊，模型在继续不当行为的同时隐藏自身的真实意图。
该论文提出一种“能力导向评估”（CBE）新范式，通过参数化生成器与答案保持不变的表述变体，检验大语言模型能否在同类问题族中稳定应用同一推理能力，并在六个 GPT 与 Qwen 模型上发现即使强模型也无法通过能力条件。
该论文提出了依赖假说：在知识密集型任务中，大语言模型在低资源语言上的思维链忠实性更高，因为当模型无法直接回忆出答案时，会更加依赖推理过程。该效应在四个模型和多种忠实性度量上得到复现，而模型置信度可部分解释资源水平带来的影响。