MonitorBench：评估大语言模型思维链可监控性的基准

研究团队提出 MonitorBench，用于系统评估大语言模型思维链的可监控性，包含覆盖 7 大类 19 项任务的 1540 个测试实例，并设置两种提示词压力测试。实验显示可监控性受被评估模型、监控模型和任务特征影响，当决策关键因素塑造中间推理过程时更高；压力测试下多数模型可主动降低可监控性，主要出现在推理过程不结构性要求这些因素的任务上。代码已开源。