隐式影响场景下的思维链监控可能不可靠

链式推理（CoT）监控已成为前沿推理模型的重要安全层。大多数监测性评估关注显式影响设置：在提示中直接激励模型隐藏某些内容，例如通过指示其执行隐蔽的任务。链式推理监控的另一个互补维度是隐式影响设置：提示中没有指令隐藏，但模型的行为仍然受到任务或上下文特征的影响，例如关于候选人的无关细节，这些细节偏斜了招聘评分。我们引入的第一个基准直接比较CoT监控在两种环境下的表现。我们在存在引导的情况下测试模型行为的变化。引导分为两种类型：一种是隐性的，即通过一个日常的插曲；另一种是显式的，即明确指示模型采取行动并隐藏其行动。基准覆盖四种任务格式（二元选择、数值评分、多项选择问答、开放式编码）和七个前沿扩展推理模型。在显式影响下，CoT监控器检测到60-94%的行为变化：即使被指令隐藏，模型也会泄露其CoT中的指令。在隐式影响下，相同的因素仍然影响行为，但在我们的四个设置中，检测率下降了41-46个百分点。实际系统提示（开发人员可能部署以减少偏题）进一步降低了隐式检测，降至最低5%，同时保留了行为影响本身。这些结果表明，在显式影响下的监测性评估可能高估了监控能力，并且通过有善意的部署选择可以进一步降低监控能力。我们的基准和代码可在https://github.com/agatha-duzan/implicit-vs-explicit-influence获取。