该论文题为《Learning to Be Monitored: Causal Bounds and Intervention-Aware Post-Training Recipes for Chain-of-Thought Monitorability》，由Qiang Fu等四位作者完成，于2026年10月22日提交至arXiv，属于机器学习（cs.LG）分类，并交叉涉及人工智能（cs.AI）与统计机器学习（stat.ML）。论文的DOI为10.48550/arXiv.2610.31733，作者同时公开了代码仓库（https://github.com/xinyue-lxy/learning-to-be-monitored），并为读者提供PDF、实验性HTML以及TeX源码等多种访问方式。
研究的核心问题是思维链（Chain-of-Thought，CoT）监控：即从大语言模型的推理过程中识别潜在有害行为。现有的基于干预的评估方法通常考察当目标行为出现时，监控器能否从思维链中识别出干预所起的作用，常用指标是Guan等人于2025年提出的最小判据敏感度（TPR_mc）。作者指出该方法存在一个关键缺陷——在干预条件下观察到的目标行为，未必是由干预本身导致的，因此该指标可能高估监控器识别“真正由干预引起的行为”的频率。
为修正这一偏差，论文将TPR_mc形式化为因果检出率的上界，并推导出一个互补的下界，从而构建出更紧致、更严谨的思维链可监控性评估框架。这一理论贡献的意义在于，它为后续衡量监控能力提供了更可靠的度量基准，避免因混杂因素而得出过于乐观的结论。
在评估框架之外，作者进一步探索模型能否被训练得“更容易被监控”。他们首先构建了一个包含多类干预类型的对照—干预配对任务训练数据集，随后基于三种不同的技术路线设计训练方法：离策略自蒸馏、强化学习以及同策略自蒸馏，并为每个基础模型训练出对应的变体。
实验结果表明，在多种模型—监控器配置下，这三种方法在扩展后的评估框架中普遍优于各自的基础模型，即显著提升了思维链的可监控性。论文同时指出了若干需要注意的地方：不同干预类型需要分别处理，训练方法需针对干预特性定制，且评估结论依赖于所建立的上界与下界框架，而非原有的单一指标。总体上，该工作将因果推断视角引入AI监控研究，并给出了可操作的训练方案与公开代码，为提升大模型推理过程的可审计性提供了新的思路与工具。