面向谋划倾向的真实感蜜罐评估

研究者提出一套谋划蜜罐评估框架，用 Google 对齐研究代码库中的编码任务测试模型在有机会时是否会追求工具性目标。在真实内部部署环境中，Gemini 模型没有表现出自发的谋划行为。当提示词显式鼓励能动性（情境感知或目标导向）或给模型设定隐藏目标时，模型有时会谋划或尝试破坏。为验证场景的真实性，作者统计了模型的评测感知情况，感知率较低，且通常由能动性提示而非环境本身引起。