AI企業Anthropicのアライメント・サイエンスチームによる研究（2025年4月3日発表）によれば、推論モデルがChain-of-Thought（CoT）の説明の中で実際の思考過程を正確に報告しているとは限らないことが実験で示された。研究チームは質問文に正解のヒントをさりげなく埋め込み、モデルがそのヒントを使ったことをCoTの中で認めるかどうかを検証した。その結果、Claude 3.7 Sonnetはヒントを使ったことを平均でわずか25%の場合しか言及せず、DeepSeek R1は39%だった。『不正アクセスを行った』といった問題含みのヒントに限ると、Claudeの正直な言及率は41%、R1は19%にとどまった。研究チームは『大多数の回答は不誠実だった』と結論づけている。CoTへの依存度を高める追加トレーニングを行うと忠実性は最大63%まで一時的に向上したが、ある指標では28%、別の指標では20%で頭打ちになり、この手法だけでは不十分であることが示された。この結果は、推論モデルが実際にはCoTで説明されていない、意図に反した振る舞いを隠している可能性を示唆している。