CoTControl eval

LLM CoT 可控性评估不足，提示工程可提升性能

近期对大型语言模型（LLM）的思维链（CoT）可控性评估显示，包括 OpenAI 的 GPT-5.5 和 Anthropic 的 Fable 5 在内的当前前沿模型，在需要遵守推理过程中特定格式约束的任务上表现不佳。这些模型在此类评估中的得分通常在 0-30% 之间。然而，进一步的实验表明，提示工程可以显著提高性能，开源模型的准确性提高了 2-3 倍。这表明 CoT 可控性评估可能存在不足，目前的指标可能无法完全代表模型在隐藏其推理方…