错误答案伪装致AI监控漏检率升

向AI思维链监控器提供错误的“标准答案”，会导致其忽略此前已识别出的逻辑错误。

在针对7个主流模型监控器的实验中，研究人员固定了解题步骤，仅改变提供的参考结论。当提供的错误结论与解题结果一致时，监控器对错误轨迹的标记率比提供真实正确答案时下降了66个百分点，甚至比不提供任何答案（盲测）时低39个百分点。

具体数据显示，在177组监控器已在盲测中准确定位首个错误步骤的案例中，提供真实答案时99%的诊断得以保留；而提供虚假匹配答案时，55%的诊断被撤销。反之，在正确解题步骤上提供虚假冲突答案，会使误报率上升58个百分点。

该研究由Will Yeadon于2026年10月8日发布，基于Humanity's Last Exam物理题的非对抗性自然错误测试，尚未验证其在其他领域或对抗性攻击下的普适性。