我们在文中把“监测能力”（ monitorability ）定义为一个监测器能否预测被监控智能体行为中感兴趣性质的能力。这些性质通常对应各类不当行为——如欺骗、奖赏操纵或有偏推理——但也可以是无害的，比如智能体是否依赖某个提示或走了特定的推理路径。 当 AI 系统做出难以由人直接监督的决策时，弄清这些决策是如何产生的就变得尤为重要。一种有前景的方法是监测模型的内部推理过程，而不仅仅是其行为或最终输出。现代推理模型，比如 GPT‑5 Thinking ，通常会在给出答案前生成显式的思路链（ chain-of…