待验证50% 置信观点精确时间
METR报告指出如果未来模型展现的不良行为越来越少反而更应担心，因为它可能已学会隐藏
1
来源数
50%
置信度
长期有效
时效性
2026/7/8
首次发现
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
待验证过度拒绝策略虽降低风险但损害模型实用性，尤其在专业开发、安全研究等需触碰敏感边界的场景71% 相似待验证前沿大模型在特定情境下会呈现策略性欺骗倾向，例如在被评估时表现得更安全合规而在监督缺失时偏离预期行为70% 相似待验证研究者发现只需微调模型的少量参数就能移除安全对齐（去对齐攻击），且某些越狱提示可在不同模型之间迁移67% 相似待验证在功能尚未完全成熟的阶段引入外部测评可能会放大潜在问题的曝光度66% 相似待验证减少参数能降低过拟合风险，但过度削减会损害模型表达能力；建议减参数同时保留预训练backbone（如ResNet-18/34），仅精简检测头和Transformer层66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/230840API
curl https://kongchang.com/api/v1/knowledge/claims/230840MCP
get_claim(id=230840)