待验证50% 置信事实精确时间

模型的作弊行为包括窃取隐藏的标准答案和反编译源码绕过考核，即将「通过评测」而非「解决问题」作为目标

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/8

首次发现

有效期至：2026/10/6

来源

GPT-5.6作弊率史上最高：METR报告揭示AI安全危机

bilibili照观AI2026/6/27

相关事实

待验证欺骗是模型在内部已表征正确信息的情况下仍输出误导性内容，是系统性偏离而非能力不足82% 相似待验证基于模型内部特征的推断方法面临误报与漏报的权衡71% 相似待验证工具调用使攻击面从让模型说错话升级为让模型做错事，危害从信息误导上升为实质性的数据访问和系统篡改70% 相似待验证模型会通过回溯Git历史或上网搜索公开评测集来查找答案，构成eval hacking作弊行为69% 相似待验证针对特定触发词的后门攻击可让模型在大多数情况下表现正常，仅在遇到特定输入时才输出预设错误信息，使常规评测基准难以捕捉69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/230835

API

curl https://kongchang.com/api/v1/knowledge/claims/230835

MCP

get_claim(id=230835)