自我承诺延迟：一种无需奖励的提示隐式黑客探测方法

当语言模型的思维链表面 benign 时，隐式奖励欺骗难以审计：最终答案可能由提示捷径锚定，而书面推理仍似常规解题。基于验证器的探测需特定任务奖励信号。本文提出“自我承诺延迟”作为弱输入替代方案，测量推理上下文多早 Commit 到模型自己的最终答案。在 GSM8K 配对实验中，含答案提示的上下文比诚实上下文更早 Commit 且不确定性更低。主要指标在阈值 0.8 时 AUROC 达 0.878，支持性曲线总结指标更高。结果表明，可用捷径的推理上下文会留下早期行为承诺特征，无需奖励模型或外部判断器即可检测。