待验证50% 置信观点精确时间
单一的不安全执行率指标会掩盖模型间的能力差异，需要同时报告证据获取行为和恢复后的决策质量。
1
来源数
50%
置信度
长期有效
时效性
2026/10/23
首次发现
来源
涉及实体
相关事实
待验证通用大模型在安全判断上存在不一致性，相同风险操作换个说法或添加合理化上下文就可能绕过其安全机制79% 相似待验证该项目的观察发现：注意率和安全行动率之间的差异远大于预期——一个模型可以在推理轨迹中标记风险，但两步之后仍发出危险的工具调用，因为脚手架中没有任何机制在检测到风险时强制硬停止。这是系统设计缺口，不只是模型能力缺口。78% 相似待验证在安全对齐中，若按探针分数选择特征，由于方向一致率仅 17%–35%，很可能选到干预后效果相反或无效的特征，导致安全措施失效甚至产生反效果。78% 相似待验证判断结果是否可以不用细看的标准是按影响范围和可逆性分层：低风险、易回滚的结果可以放行；涉及核心逻辑或不可逆操作的结果必须人工确认。77% 相似待验证一处缺陷数据引入的偏差可以泄漏到看似无关的能力维度，导致模型在欺骗性、顺从性、风险规避等多个独立指标上同时退化77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1088299API
curl https://kongchang.com/api/v1/knowledge/claims/1088299MCP
get_claim(id=1088299)