CoT-Guard：用于强力监控的小型模型

监控推理模型的思维链（CoT）是检测代码生成中隐蔽恶意行为的有效手段，但大模型部署成本高昂。针对小模型难以识别隐藏目标的问题，本文提出结合监督微调与强化学习的后训练流程，通过蒸馏强监控者行为及针对高难度样本的强化学习，提升小模型的泛化能力。实验表明，4B 参数的 CoT-Guard 在提示和代码操纵攻击下表现优异，G-mean 达 75%，超越 GPT-5.4 等大模型，为低成本用户侧防御提供了实用方案。