METR 研究：QA 场景下的可监控性早期结果

METR 发布 QA 场景可监控性早期研究，发现监控规避率与副任务难度负相关，难度用模型解副任务的 token 数和 5 次成功率衡量。三种提示词效果差异显著，最优提示词让模型直接作答无需思维链的简单题；8b 智能体可被训练成功骗过 GPT 4o 监控模型。实验基于 GPQA 生物题与四个数学数据集共 160 个副任务，作者强调结论仍属初步。