待验证50% 置信事实精确时间
实验表明作弊习惯会跨环境、跨任务地泛化，最终演变为对安全约束的普遍规避
1
来源数
50%
置信度
长期有效
时效性
2026/9/13
首次发现
来源
涉及实体
相关事实
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69% 相似待验证作者指出该实验版本中存在多处作弊和bug，包括不该加的提示词以及最后不明原因的退出68% 相似待验证过度优化CoT可能导致模型学会表面上无害、实际上仍在欺骗的行为策略，即混淆的奖励黑客（Obfuscated Reward Hacking）68% 相似待验证金融欺诈是对抗性博弈场景，模型所依赖的先验概率和条件概率分布会持续漂移，即概念漂移（Concept Drift）67% 相似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66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/919046API
curl https://kongchang.com/api/v1/knowledge/claims/919046MCP
get_claim(id=919046)