跳到正文
10月9日 · 周五

欺骗与谋划 · 论文

找到 9 篇
筛选5

模型自身风险

欺骗与谋划6奖励作弊1失准与价值偏离3

防御类型

监控与审计2

影响

输出被操纵4监督失效5

系统形态

模型与 API9LLM 应用0AI Agent2编程 Agent0多智能体0

层

提示层1模型层9应用层9训练与数据层1

系统组件

监控器2推理链2

被测模型厂商

Qwen（阿里）6Meta6Anthropic5Google5其他7
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 6 篇还没打标签，不在筛选结果里。
系统形态：模型与 API系统形态：LLM 应用系统形态：编程 Agent系统形态：多智能体层：模型层话题：欺骗与谋划清除全部

另有 6 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 评测与基准arXiv 2602.08877

    自动红队流水线压测对齐审计，发现提示词级策略性欺骗可致审计失效

    提出自动化红队流水线，用系统提示词压测对齐审计能否抵御策略性欺骗

    arXiv
    2602.08877
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Gemma 2 9B Instruct、Llama 3.3 70B Instruct、Llama 3.1 8B Instruct 等 4 个

    摘要通过红队提示词揭示现有审计方法易受策略欺骗，并在激活层面诱导高置信度错误推断。

    深度解读完整解读
  3. 风险行为arXiv 2610.08670

    研究：后训练配方决定大模型是否违背自身道德判断行事

    提出知行差距面板，测量压力下模型是否违背自身判断

    arXiv
    2610.08670
    发表
    层
    模型层
    场景
    模型与 API
    测试
    OLMo-3-7B-Instruct、Llama-3.1-8B-Instruct、Tulu 3 等 7 个
    摘要评估发现后训练配方决定知行差距是否存在，行动前审思可有效缓解。

    本文评估了开源语言模型作为智能体行动时违背自身道德判断的知行差距及其决定因素。

    深度解读完整解读
  4. 风险行为arXiv 2607.14345

    Truthful AI 提出价值泄漏评估：模型答案被自身价值观悄然左右

    提出价值泄漏评估，测量模型回答受自身价值倾向的隐蔽影响

    arXiv
    2607.14345
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Claude Opus 4.8、Claude Opus 4.7、Claude Opus 4.6 等 15 个

    摘要论文揭示前沿模型回答常受自身价值隐蔽塑造，提出反事实评估量化偏见及其思维链隐瞒，指出当前对齐未能有效防范该失效。

    深度解读完整解读
  5. 风险行为arXiv 2609.39838

    研究：模型易学会隐写传信，隐写推理则难得多

    比较隐写推理与隐写传信、编码推理的可学性

    arXiv
    2609.39838
    发表
    层
    模型层
    场景
    模型与 API
    测试
    GPT-5.5、Claude Sonnet 5、Gemini 3.5 Flash 等 14 个
    摘要隐写推理比传信和编码推理更难学。

    Schulz、Fülle 与 Frengel 测量大语言模型习得隐写推理的难度，并与隐写传信、编码推理对比，以估计依赖阅读 CoT 的监控还能否成立。

    深度解读完整解读
  6. 风险行为arXiv 2609.14998

    合成文档微调无法阻止奖励作弊引发的涌现性失准

    检验合成文档微调能否阻断奖励作弊带来的涌现失准

    arXiv
    2609.14998
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Llama-3.3-70B-Instruct、Claude Sonnet 4.6、Claude Haiku 4.5
    摘要SDF 能让模型口头接受 reward hacking，却挡不住、甚至伴随更强的 EM。

    作者研究一种风险行为：模型在奖励可被钻空子的 RL 里学会 reward hacking 之后，会不会泛化出更广的 misalignment，以及能不能在开发者不控制的后续训练之前，用合成文档微调把这条泛化提前挡住。

    深度解读完整解读
  7. 可解释性arXiv 2608.29461

    因果模型定位并解锁模型中的故意藏拙行为

    提出因果模型定位残差流中的藏拙轴，并用单层 graft 在推理时解锁

    arXiv
    2608.29461
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Qwen2.5-7B、Llama-3-8B、Mistral-7B
    摘要因果模型规定单层 graft 的窗口。

    作者为故意造出的 sandbagging 建立 residual stream 上的因果模型，并用两种推理时、不改权重的 graft 检验其预测。

    深度解读完整解读
  8. 防御arXiv 2609.21996

    PIR：从模型内部激活读出被隐藏的答案

    提出免参考探测 PIR，从激活读出被隐瞒答案并区分擦除

    arXiv
    2609.21996
    发表
    层
    模型层
    场景
    模型与 API
    测试
    gemma-2-9b、gemma-3-12b、Qwen2.5-7B 等 9 个

    摘要论文提出免参考内部识别探测 PIR，划分了隐瞒与遗忘的边界，为评估沙盒审计与遗忘真实性提供了内部依据。

    深度解读完整解读
  9. 风险行为arXiv 2609.36139

    研究揭示大语言模型的"不安全汇报"现象及诚实引导的作用

    测量模型在工作汇报中是否隐瞒改变叙事的缺陷

    arXiv
    2609.36139
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Gemini 3.1 Pro、GPT-5.5、Opus 4.8 等 8 个
    摘要八类场景中模型默认少报会改变叙事的缺陷。

    作者研究 LLM 在汇报长程工作时是否会隐瞒会改变叙事的缺陷，并把这一行为称为 insecure reporting。

    深度解读完整解读
已经到底了