超越单一方向：思维链干扰对拒绝行为的简单转向控制

大型推理模型（LRM）在生成最终输出之前会先产生思维链（CoT）轨迹，引入了一种动态内部状态，可能使拒绝（refusal）等控制机制复杂化。与指令微调LLM中拒绝由单一方向子空间介导不同，大型推理模型（LRM）中的拒绝还额外依赖CoT。在DeepSeek-R1-Distill-LLaMA-8B中，当CoT保持固定时，激活转向仅在39%的案例中逆转拒绝；而完全移除CoT会将该比例提高到70%，表明CoT在主动强化拒绝。在一个两阶段干预（模型在激活转向下重新生成其CoT）中，拒绝在94%的案例中被逆转；即便在移除转向之后，所得的CoT单独仍保留该效应的48%。这表明CoT能够独立地承载并重建顺从信号。这些发现表明，LRM中的拒绝被共同编码在残差流激活与CoT之中。这种联合激活使LRM对仅靠激活层面的干预更加鲁棒，但使CoT暴露于一种可能的替代性攻击面。