CoT 可控性评测似乎被严重低估了

Redwood Research 发现 CoTControl 评测存在严重的提示词挖掘不足问题：用 Claude Opus 4.6 迭代优化提示词后，开源模型表现提升约 2-3 倍，GPT-OSS-120B 从 5.5% 升至 15%。