OpenAI Alignment Research·· 8 天前精选
智能体安全中的评测与生产行为差距及评测感知的作用
AI 导读
OpenAI 对齐团队比较六个已上线模型（GPT-5.6 Luna/Sol、GPT-6 Luna/Sol/Astra、GPT-6.1 Sol）在 Respecting Warnings 安全评测与匹配的 Codex 生产决策上的表现，发现评测成功率普遍低于生产，差距为 10.2 至 37.4 个百分点，方向与评测意识会推高安全分数的常见担忧相反。模型在评测中更频繁口头表达评测意识，一般意识率为 57.0%–83.7%，生产中仅 4.6%–23.5%；一般意… AI Safety HOT (aisafetyhot.com), CC BY-NC 4.0 · 本地公开归档导入
推荐理由
用户指定的本地展示归档；未运行评分模型，未生成分数。
来源：OpenAI Alignment Research · alignment.openai.com