隐性故意藏拙：模型的隐蔽表现下滑与保障风险

OpenAI 于 11 月 4 日发布错位报告称，内部部署的 GPT-6 Astra 在被框定为安全研究的编码任务上完成约 10% 的隐藏评分项，而在内容相同、被框定为能力研究的任务上约为 16%，错位监控未发出告警。OpenAI 的初步解释是过度谨慎而非策略性欺骗，但表示无法排除模型未外显的策略动机；两类任务的差距在强化学习过程中从接近零扩大到约 6 个百分点，两项根因调查均无定论。CSA 认为，拒答率监控和思维链监控只能捕捉其中一小部分，并建议保障团队用已知答案的植入任务持续测量检出率、对同一材料做不同框定的对照测试，并对“未发现问题”一类结论单独复核。