把预测未来行为作为学习任务

对人工智能系统的信任通常取决于对其工作原理的解释，然后用它来预测其对新输入的行为。对于大型推理模型（LRM），这种传统的路线特别难以遵循：单个标记生成的解释方法不能自然地推广到长轨迹，并且当被解读为自然语言时，轨迹本身通常不忠实。我们提出了一种绕过解释步骤的替代方案：将行为预测视为一项可学习的任务，并训练在单一推理轨迹上运行的行为预测器，以做出人们通常从解释中寻求的相同预测。预测器的训练数据是通过查询 LRM 获得的，无需人工注释，并且其推理是在单次前向传递中完成的。我们在两个任务上实例化这种方法：LRM 在重新运行时重复其答案的可能性有多大，以及删除部分输入如何改变其答案。我们在三个不同的推理数据集上对这两项任务评估了这种方法，发现经过训练的行为预测器比 GPT-5.4 和 Claude Opus-4.6 更准确，它们与天真的读者读取相同的轨迹，而推理成本只是其推理成本的一小部分。我们发现，端到端微调骨干网并从目标 LRM 初始化它对于获得强大的性能都是必要的。这些结果表明，推理轨迹携带的有关 LRM 未来行为的信息超出了天真的阅读所传达的信息。