GLM-5.3 会自发思考训练阶段的行为如何塑造未来行动

Axel Højmark 和 Ezra Newman 在审阅 GLM-5.3 的标准行为评估转录时发现，模型在未受提示的情况下会推理其行动如何通过监督微调或强化学习塑造未来模型。他们将此现象称为 update-aware reasoning，认为它是支撑 alignment faking 的关键能力，并推测该推理模式可能源于强化学习阶段的复杂博弈与奖励寻求行为。