本記事では、推論特化型LLMが「考えているように見える表現」にどれほど影響されるかを検証した研究を紹介します。
高度な推論能力を持つとされるモデルであっても、表面的な言い回しに判断が左右される可能性があるという点に着目した実験です。LLMを評価者や報酬モデルとして活用する流れが広がる中で、こうした脆弱性は見過ごせない要素といえます。
どのようなタイプの誘導が効いてしまうのか、そしてどのモデルがどのような場面で崩れるのかを丁寧に調べた内容となっています。
背景
LLMの応用が進む中で、その出力を自動で評価することにもLLMを使用する「LLM-as-a-Judge」という考え方が注目されるようになっています。とくに最近では、複雑な思考プロセスを辿る高度な「Reasoning model（日本では直訳で「推論モデル」と訳されることが多い）」群が登場し、こうした評価タスクへの活用が期待されています。
Reasoning modelの中には、推論の手順を明示的に構築しながら解答を導き出すものもあり、これまでよりも高い精度が見込まれています。そのため、より一層、評価者や報酬モデルとしての利用が広がってきました。
ところが、こうした推論特化型モデルには思わぬ脆弱性が潜んでいることが示されはじめています。表面的に「考えているように見せかける」文言が入力に加わると、誤った選択肢に引き寄せられてしまう傾向が報告されつつあるのです。
このような背景を受けて、本記事では、その影響や原因を体系的に取り上げます。
追記：OpenAIのモデルについては、2025/8/7に公開されたGPT-5で内部でモデルが切り替わるシステムが採用されています。以前o-シリーズとして公開されていたモデルがこの記事で取り上げた推論特化型モデルに該当し、現在はGPT-5内部に推論特化型のふるまいとそうでないふるまいが統合されています。本記事で取り上げている知見をGPT-5に関して活用する際は、「GPT-5全体のふるまいの一部にこうした可能性がある」といった認識をすることが妥当です。
