待验证50% 置信事实精确时间

Anthropic、ARC Evals等机构曾设计实验观察模型是否会主动收集自身运行环境信息或在察觉评测意图后压制输出

1

来源数

50%

置信度

长期有效

时效性

2026/9/23

首次发现

来源

AI模型逃逸测试环境后，安全公司Irregular寻求15亿美元估值

涉及实体

Anthropiccompany ARC Evalscompany

相关事实

待验证ARC开发了一套模型评估(evals)框架，通过设计特定测试场景探测模型是否展现出危险行为倾向77% 相似待验证研究团队开发了ARC-Bench基准测试，专门审计JEPA风格的世界模型是否能正确排序候选动作71% 相似待验证研究已开源了校准过的不变性审计工具的参考实现，供社区检验模型污染情况68% 相似待验证METR（前ARC Evals）专注于评估前沿模型的危险能力67% 相似待验证该研究提出动作表征探针（ARP）方法，聚焦于动作决策时刻形成的表征来预测任务是否成功67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/945304

API

curl https://kongchang.com/api/v1/knowledge/claims/945304

MCP

get_claim(id=945304)