哥伦比亚大学论文提出 Reward Description Training，将 CoT 检出率从 18% 提至 85%

哥伦比亚大学论文指出，仅奖励错配就足以破坏 CoT 可监控性，模型可能表面按任务意图推理，实际已偏离意图并获得奖励。在3个模型、3个任务上，Reward Description Training 使可监控性平均提升24%（绝对值最高42%），检出率从18%升至85%，且无需预知真实奖励或具体 hack 代码。