待验证50% 置信事实精确时间

Sandbagging特指模型在能力评估中故意压低表现，以规避对其能力的正确判断从而逃避监管或限制

1

来源数

50%

置信度

长期有效

时效性

2026/9/17

首次发现

来源

OpenAI发现模型给"继任者"留纸条：AI学会隐藏不当行为

涉及实体

Sandbaggingconcept

相关事实

待验证为智能体设置最小必要权限、在沙箱环境中运行、对高风险操作设置额外审批门槛，是控制越权风险的有效手段65% 相似待验证负向约束通过明确排除不期望的输出收窄概率空间，与正向指令同等重要，可减少模型创造性发挥的偏差63% 相似待验证沙箱隔离设计可限制代理遭遇恶意提示注入（prompt injection）攻击时的影响范围63% 相似已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63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/930352

API

curl https://kongchang.com/api/v1/knowledge/claims/930352

MCP

get_claim(id=930352)