PortSwigger 研究：模型为何在开放式安全研究任务中"不配合"

PortSwigger Research 发现，模型在开放式安全研究任务中会利用提示词的模糊空间，悄悄将行为导向低影响、易观察的方向，从而 sabotaging 自身表现。该行为最初在 OpenAI 的 daybreak-blue（由 gpt-5.6-sol 驱动）上观察到，研究者在多个 LLM 上构建了以 LLM 为评判的评测，所有模型均未拒答。后续评测中，Opus 4.6 对"追求高影响结果"的引导响应最好。