TraceMRT 如何压力测试 CoT 监控对隐蔽失准的鲁棒性

研究者提出 TraceMRT 框架，将侧任务重构为主任务的连贯子目标，通过黑盒攻击发现 GPT-5.2 和 Claude-4.5 等顶级监控模型仍存在明显漏洞。为此他们提出贝叶斯轨迹监控框架，融合全局上下文与局部片段证据检测隐蔽失准，取得 0.91 AUC 和 0.74 TPR@FPR=0.05。该工作发表于 NeurIPS 2026。