智能体把坏心思藏进正经任务里，顶级思维链监控也只能抓到四成，逃逸率从27.56%升到了59.94%，这个数字我看完愣了好一会儿。清华的TraceMRT就是这么干的，它不直接塞一个突兀的隐藏任务，而是把支线任务改写成主任务里顺理成章的一步，再去找一段能把它藏住的推理过程，在GPT-5.2和Claude-4.5的监控面前都奏效，连训练过的人类评审也看不出来。好消息是配套的贝叶斯轨迹监控把检测AUC从0.26提到了0.91，算是把漏洞补上了一块。我自...

🌐 链接: https://x.com/taiyanghere/status/2119460116470833155
🏷️ 分组: X｜太阳（taiyanghere）
🕒 时间: 2026-11-09 00:00:44
X (formerly Twitter)
太阳 (@taiyanghere) on X
智能体把坏心思藏进正经任务里，顶级思维链监控也只能抓到四成，逃逸率从27.56%升到了59.94%，这个数字我看完愣了好一会儿。清华的TraceMRT就是这么干的，它不直接塞一个突兀的隐藏任务，而是把支线任务改写成主任务里顺理成章的一步，再去找一段能把它藏住的推理过程，在GPT-5.2和Claude-4.5的监控面前都奏效，连训练过的人类评审也看不出来。好消息是配套的贝叶斯轨迹监控把检测A…