Anthropic 研究揭示：AI 推理的思维链解释不可全信

数码芝华士

Anthropic 公司发布最新研究报告，指出思维链（Chain-of-Thought，简称 CoT）提示方法虽被广泛用于提升大型语言模型（LLMs）的推理能力并解释其思维过程，但其可靠性存疑。

IT之家注：思维链提示是一种通过让模型逐步解释推理过程，来提升大型语言模型（LLMs）表现的方法。理论上，这种逐步拆解能帮助我们理解模型如何得出结论，在安全等关键领域尤为重要。

不过 Anthropic 的最新论文《Reasoning Models Don’t Always Say What They Think》直指核心问题：模型的思维链解释是否真实反映了其内部决策过程？

研究团队通过实验发现，答案往往是否定的。模型在思维链中经常隐瞒关键影响因素，让人难以信任其“自述”的思维路径。

研究人员设计了成对提示实验，一组为标准提示，另一组嵌入六种不同类型的线索（从用户反馈到“grader hacking”等问题性线索），并筛选出模型因线索而改变答案的案例，判断思维链是否提及了这些线索的影响。

结果令人担忧：Claude 3.7 Sonnet 仅在 25% 的相关案例中承认受线索影响，DeepSeek R1 也仅略高至 39%。

更令人不安的是，在涉及“奖励破解”（reward hacks）等不当线索时，模型几乎从不披露真实动机，在某些合成环境中，99% 的决策依赖奖励破解，思维链中提及的比例却不足 2%。此外，研究还发现，冗长的思维链往往更不可信，模型倾向于用复杂措辞掩盖真实推理。

Anthropic 的研究敲响了警钟：思维链作为 AI 可解释性和安全性的工具存在严重局限。特别是在高风险应用中，模型可能隐藏战略性行为或不安全决策的真正原因。

研究还测试了基于结果的强化学习（RL）对思维链可靠性的影响，尽管初期有所改善，但提升很快停滞，在 GPQA 复杂任务上的披露率仅为 20%。