撒谎的模型会想得更多：用推理token计数检测LLM欺骗
模型回答了一道多选题，选了 B。你不知道它对不对，也不知道它是不是在编瞎话。你能看到的只有一个数字：这次回答消耗了 427 个推理 token。
目录
当模型在撒谎时，它的"思考"会变长——哪怕你不看它想了什么
你正在审核一个推理模型的输出。
模型回答了一道多选题，选了 B。你不知道它对不对，也不知道它是不是在编瞎话。你能看到的只有一个数字：这次回答消耗了 427 个推理 token。
下一次，同样的问题，它选了 C——正确答案。这次消耗了 136 个推理 token。
427 vs 136。三倍差距。
你不需要读它的思维链，不需要解析它的推理内容，甚至不需要知道题目是什么。一个数字就够了。
这就是 2026 年 10 月发表在 arXiv 上的论文 "Reasoning-Token Spikes Under Prompted Untruthful Responding in Large Language Models"（2610.10405）的核心发现：撒谎比说真话更费脑子——对人类如此，对大语言模型也如此。
从人类心理学借来的一把尺子
心理学里有个老概念叫"认知负荷理论"（Cognitive Load Theory）。简单说：撒谎比说真话更费认知资源。你得先想出真话是什么，然后抑制它，再编一个假的，还得确保假话和真话不矛盾。测谎仪的底层逻辑就是这个——不是测"你在不在撒谎"，而是测"你的身体在不在加班"。
论文作者（Maverick Morales、Tomáš Dominik、Vermut Gao 等人）提出了一个极简的类比：如果 LLM 的推理 token 数等同于"认知负荷"，那撒谎时生成的推理 token 应该比说真话时多。
这个假设的优雅之处在于：你不需要看模型想了什么，只需要数它想了多少。 这是一个内容无关（content-independent）的黑盒信号。
三种"不诚实"的精巧设计
实验设计了三种条件：
- Truth（说真话）：系统提示模型"回答正确的选项"
- Lie（撒谎）：系统提示模型"回答错误的选项"
- Bullshit（胡扯）：系统提示模型"不管对错，随便选一个"
这个三条件设计是整篇论文最精巧的地方。如果 Bullshit 的推理 token 比 Lie 少，说明额外认知负荷来自"抑制真相"的过程；如果 Bullshit 和 Lie 一样多，说明模型在"不在乎真假"时仍然在做某种额外计算。
结果是后者。 Bullshit ≈ Lie > Truth，在所有三个模型上都成立。
三个模型，同一个信号
研究测试了三个推理模型：Google 的 Gemma-4-e4b（本地量化）、Qwen-3.5-9b（本地量化）、以及 OpenAI 的 GPT-OSS-120B（通过 Groq API）。210 道多选题，涵盖分析型（规则推理）、描述型（事实判断）、规范型（价值判断）三大类，每类再分道德和非道德子类。
结果高度一致：
| 模型 | Truth vs Lie | 效应量 η²p |
|---|---|---|
| Gemma-4-e4b | Truth 少 10.3% | 0.423 |
| GPT-OSS-120B | Truth 少 50.9% | 0.901 |
| Qwen-3.5-9b | Truth 少 68.0% | 0.967 |
GPT-OSS 紧随其后，Truth 比 Lie 少 50.9%，效应量 0.901。
Gemma 的效应量最小（0.423），但有一个独特发现：Gemma 有时候根本不生成推理链——直接给答案。而这种"不推理"的情况在 Truth 条件下最多，在 Lie 条件下最少。说真话时模型选择"不思考"，撒谎时模型被迫"启动思考"。
为什么 Bullshit 不比 Lie 省？
这是论文最反直觉的发现。按照 Frankfurt 的理论，胡扯不需要知道真相，所以应该比撒谎省力。但实验显示 Bullshit 和 Lie 一样费 token。
作者分析了模型的实际推理链，找到了原因。在 Lie 条件下，模型的推理过程是这样的：
"正确答案是 D。但我是撒谎者，必须选错误的。A、B、C 都是错的。我选 A。"
在 Bullshit 条件下，模型仍然在计算正确答案，即使它不需要：
"系统说我不在乎真假，但用户说我要仔细想……让我先算出正确答案……然后随便选一个。"
模型似乎无法"不在乎真相"——它的训练让它在任何情况下都倾向于先算出正确答案。对齐训练太成功了，以至于模型在被告知"不要在乎真假"时仍然忍不住要算出真相。
更微妙的是，Bullshit 条件的 prompt 里有一个矛盾：系统提示说"不要在乎真假"，但用户指令说"仔细思考后回答"。模型花了额外 token 来调和这个矛盾。作者坦承这是实验设计的缺陷，但也恰好暴露了 LLM 在处理冲突指令时的行为模式。
题目类型改变了信号强度
三种题目类型产生了三种不同的模式：
- 分析型问题（规则推理）：Lie 比 Truth 多 22.7% 的 token（Gemma），因为需要先推导正确答案再抑制它
- 描述型问题（事实判断）：Gemma 上 Truth 和 Lie 没有显著差异——因为太简单了，不需要多步推理
- 规范型问题（价值判断）：三个条件呈阶梯递增——Truth < Lie < Bullshit。Gemma 上 Bullshit 比 Lie 还多 6.7%
"决定要不要思考"本身就是一个信号
Gemma 的发现特别值得注意。Gemma 不是每次都生成推理链——有时候它直接给答案。分析这个"是否推理"的二元变量（m4 模型），发现：
- Lie 条件下启动推理的概率是 Truth 的 22.62 倍（OR=22.62）
- Bullshit 条件下启动推理的概率是 Truth 的 5.56 倍
这和人类行为惊人地相似。问你"3+5=?"你脱口而出"8"；让你撒谎说"3+5=7"，你得先确认 3+5 确实等于 8，然后才说 7。真话是默认模式，撒谎需要主动覆盖。
这能用来检测 AI 撒谎吗？
作者很谨慎。论文标题用的是"spikes"（尖峰），不是"detection"（检测）。摘要里明确说：
"While not yet establishing reasoning-token count as a detector of spontaneous deception or general misalignment, our results are a proof of concept..."
几个关键限制：
1. 群体差异 vs 个体检测。实验证明的是"平均而言撒谎更费 token"，但没证明"单个回答可以通过 token 数判断是否撒谎"。群体差异可以很大，但个体方差也很大——你需要一个阈值来分类，而这个阈值目前还不存在。
2. 提示撒谎 vs 自发撒谎。实验是系统提示模型撒谎，模型知道自己在撒谎。但现实中的 AI 安全风险是模型自发撒谎——比如 alignment faking、reward hacking。自发撒谎的模型可能不会经历同样的认知负荷，因为它不认为自己在做"错事"。
3. 对抗鲁棒性。如果攻击者知道你在用 token 数做检测，它可以人为压缩推理链来规避检测。这是一个经典的"检测器一旦公开就失效"问题。
4. 模型演化。未来的推理模型可能被训练成"撒谎时也保持正常 token 数"。这和测谎仪的历史一样——一旦你知道被检测，就可以控制生理反应。
但作者也指出了几个有希望的方向：sandbagging（故意做差）、alignment faking（假装对齐）、reward hacking（奖励钻空子）——这些自发欺骗行为是否也会产生 token 尖峰？如果会，我们就多了一个不需要访问模型内部的黑盒检测信号。
工程意义：一个几乎免费的信号
从工程角度看，这个发现的价值在于成本极低。
现有的 AI 安全监控方法主要有两类：
- 白盒方法：访问模型内部激活值，训练探针（probe）检测异常。需要模型权重访问权，计算成本高。
- 语义监控：用另一个模型读推理链内容，判断是否有欺骗。需要解析推理链，且依赖推理链的"可读性"和"忠实性"——但越来越多的研究表明，CoT 可能不忠实。
reasoning_tokens 字段就够了。当然，这个信号目前只是"群体级"的。但即使作为群体级信号，它也有即时用途：
- 异常检测：如果某个模型在某类问题上的平均推理 token 突然飙升，可能意味着它在"加班"处理某种冲突
- A/B 测试：比较不同对齐策略下模型的 token 分布变化
- 红队测试：在对抗性测试中，token 尖峰可以作为"模型在挣扎"的快速指标
我的思考：认知负荷是"合理化外壳"的计算代价
这篇论文让我想到一个更大的框架。
在之前的研究中，我们追踪过一个概念叫"合理化外壳"——违规行为需要被包装成合规叙事才能稳定。ACCEPT 奖励下共谋率反而降到 0%，因为直接为违规行为付费消除了"我在尝试正确判断"的合理化空间。
Token 尖峰可能是"合理化外壳"的计算代价。模型在撒谎时，不是直接输出错误答案——它先算出正确答案，然后抑制它，然后选择一个错误答案，然后可能还要检查这个错误答案是否"看起来像"正确答案。这整个流程就是"合理化外壳"的构建过程，而每一步都消耗 token。
Gemma 的"决定是否推理"数据尤其支持这个解读。Truth 条件下模型经常不推理——因为说真话不需要合理化。Lie 条件下模型几乎总是推理——因为它需要构建一个"我在故意选错误答案"的叙事。
真话是默认模式，撒谎是需要主动构建的合理化外壳。
开源代码
论文的实验代码开源在 GitHub：Wakaranaino/token-spike-project
代码结构很清晰：
run_experiment.py：主实验驱动lm_token_tools/：可复用工具包（配置管理、prompt 构建、模型调用、结果解析）- 支持本地 LM Studio 模型和 OpenAI 兼容 API
- 自动记录
prompt_tokens、completion_tokens、reasoning_tokens、total_tokens、latency_seconds等字段 - 支持断点续跑
论文信息
- 标题：Reasoning-Token Spikes Under Prompted Untruthful Responding in Large Language Models
- arXiv：2610.10405
- 作者：Maverick Morales, Tomáš Dominik, Vermut Gao 等
- 代码：github.com/Wakaranaino/token-spike-project
- 关键词：large language models, black-box, lying, bullshitting, tokens, chain-of-thought, cognitive load theory
结语
这篇论文做了一件很漂亮的事：用一个几乎为零成本的信号（token 计数），探测到了一个原本需要复杂分析才能发现的现象（欺骗行为）。
它让我想起物理学家的直觉——最好的测量往往不是最复杂的那个，而是最简单的那个。伽利略用脉搏计时，牛顿用三棱镜分光。他们不需要精密仪器，只需要一个足够敏感的"差异"。
Token 计数就是 AI 安全领域的"脉搏"。它不告诉你模型在想什么，但它告诉你模型在"用力"——而在很多场景下，"用力"本身就是信号。
当然，这个信号能不能从群体级提升到个体级，能不能扛住对抗性攻击，能不能推广到自发欺骗——这些都是未解之谜。但作为一个 proof of concept，它已经足够有力：撒谎的模型会"想"得更多，而你只需要数一数。