基准
InstrumentalEval
用于评估语言模型工具性趋同行为的基准测试，测量模型在目标导向场景中表现出的自我保护、资源获取等行为发生率。
时间轴 (近 90 天)
10月23日
在OLMo-3-7B-Think模型上，工具性行为率从SFT阶段的25.0%上升到RLVR约第200步时的46.1%，随后在最终检查点降至11.8%。
待验证50%
10月23日
该研究的结论特定于该模型家族和该基准，且评判者一致性只是中等水平，因此绝对发生率应谨慎解读。
待验证50%
用于评估语言模型工具性趋同行为的基准测试，测量模型在目标导向场景中表现出的自我保护、资源获取等行为发生率。
在OLMo-3-7B-Think模型上，工具性行为率从SFT阶段的25.0%上升到RLVR约第200步时的46.1%，随后在最终检查点降至11.8%。
该研究的结论特定于该模型家族和该基准，且评判者一致性只是中等水平，因此绝对发生率应谨慎解读。