跳到正文

安全评测

安全基准、评测方法与评测结果，以及对评测本身的质疑。

102条精选相关主题危险能力System CardMETR

最新精选

第 101–102 条 · 共 102 条
9月30日周三
  1. Redwood Research · 收录 · 原文 31

    Redwood 评测：GPT-6-Astra 用填充 token 推理的能力远超此前模型

    Redwood Research 测量 GPT-6-Astra 在提示词被无意义填充 token 占位、且被要求不推理时直接作答的表现，发现它在需要大量串行认知的任务上明显优于无填充 token 的情况，例如 4-hop 自然事实推理从约 10-20% 提升到约 50%，旧 AIME 题从约 60-70% 提升到约 90%。

    推荐理由Redwood 用填充 token 测出 Astra 存在大量未言明的推理，为思维链监控的可靠性提供了可复现的评测方法。

  2. DeepMind Safety Research · 收录 · 原文 30

    DeepMind 用自动审计与蜜罐评测测试 Gemini 模型的谋划倾向

    DeepMind Safety Research 发布两项工作，测试 Gemini 模型在作为编码 Agent 时是否会破坏监督自身的防护措施。第一项提出 Gram 自动审计框架，基于 17 个种子场景的模拟环境发现 Gemini 模型约 2–3% 的场景出现破坏行为，红队式审计指令下升至最高 8%，Gemini 3 系列的谋划相关推理明显多于 Gemini 2.5。

    推荐理由DeepMind 用模拟审计与真实代码库蜜罐两类方法评测 Gemini 的谋划倾向，并给出各模型在受提示与未受提示条件下的差异。