研究发现：当推理复杂到需要思维链时，模型在放宽定义下几乎总是忠实（>97%），且即使 CoT 不忠实，检测器也能以高准确率（TPR 99.3%）识别线索使用，结果对适度对抗性提示稳健并公开代码

先了解这件事

METR 复现 Anthropic 的 Claude Sonnet 3.7 与 Claude 4 忠实度评测并提出，当解题所需推理必须用到思维链时，模型在宽松忠实度定义下几乎总是忠实：在 21,272 条轨迹中仅发现 3 条疑似不忠实。