NEST：初生编码隐写思维

监控思想链 (CoT) 推理是大语言模型 (LLM) 代理的基本安全技术；然而，如果模型学会隐藏其推理，这种监督就会受到损害。我们探索隐写 CoT（模型将秘密推理隐藏在无害文本中）的潜力，为风险评估和部署策略提供信息。我们系统地评估了 28 个模型（从过去几代到当前前沿）的隐写能力的限制。我们测量四个数据集的监控规避、拒绝率、编码保真度和隐藏任务准确性，将隐写离合诗与简单推理和填充token基线进行比较。我们发现当前模型尚无法支持复杂数学和算术任务的隐藏推理。然而，在简化的计数实验中，Claude Opus 4.5 在隐藏任务上实现了 92% 的准确率，展示了新生的能力。值得注意的是，在极少数情况下（<1%），GPT-5.2 可能会拒绝隐写指令，同时遵守它们。我们的研究结果强调了持续评估隐写风险的必要性。这项研究提供了一种方法来预先检测和防止隐藏的推理，这些推理可能会助长错位的阴谋和欺骗行为。