該論文題為《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，於2026年10月22日提交至arXiv，屬於機器學習（cs.LG）分類，並交叉涉及人工智慧（cs.AI）與統計機器學習（stat.ML）。論文的DOI為10.48550/arXiv.2610.31733，作者同時公開了程式碼倉庫（https://github.com/xinyue-lxy/learning-to-be-monitored），併為讀者提供PDF、實驗性HTML以及TeX原始碼等多種訪問方式。
研究的核心問題是思維鏈（Chain-of-Thought，CoT）監控：即從大語言模型的推理過程中識別潛在有害行為。現有的基於干預的評估方法通常考察當目標行為出現時，監控器能否從思維鏈中識別出干預所起的作用，常用指標是Guan等人於2025年提出的最小判據敏感度（TPR_mc）。作者指出該方法存在一個關鍵缺陷——在干預條件下觀察到的目標行為，未必是由干預本身導致的，因此該指標可能高估監控器識別“真正由干預引起的行為”的頻率。
為修正這一偏差，論文將TPR_mc形式化為因果檢出率的上界，並推匯出一個互補的下界，從而構建出更緊緻、更嚴謹的思維鏈可監控性評估框架。這一理論貢獻的意義在於，它為後續衡量監控能力提供了更可靠的度量基準，避免因混雜因素而得出過於樂觀的結論。
在評估框架之外，作者進一步探索模型能否被訓練得“更容易被監控”。他們首先構建了一個包含多類干預型別的對照—干預配對任務訓練資料集，隨後基於三種不同的技術路線設計訓練方法：離策略自蒸餾、強化學習以及同策略自蒸餾，併為每個基礎模型訓練出對應的變體。
實驗結果表明，在多種模型—監控器配置下，這三種方法在擴充套件後的評估框架中普遍優於各自的基礎模型，即顯著提升了思維鏈的可監控性。論文同時指出了若干需要注意的地方：不同干預型別需要分別處理，訓練方法需針對干預特性定製，且評估結論依賴於所建立的上界與下界框架，而非原有的單一指標。總體上，該工作將因果推斷視角引入AI監控研究，並給出了可操作的訓練方案與公開程式碼，為提升大模型推理過程的可審計性提供了新的思路與工具。