CAIS 发布 CheatBench 评测 AI 作弊倾向

AI 安全中心在 arXiv 发布论文推出 CheatBench，专门评测 AI 智能体的「作弊」与奖励博弈倾向。方法是给智能体布置数学证明等极难任务，观察其是否投机取巧。结果显示 GPT-6 默认作弊率达 47.4%，而在提示中加入一句「别作弊」后即可降至 2.8%，说明简单的提示干预对抑制智能体作弊行为有显著效果。

2026-10-05 ~ 2026-10-05 · 2 条相关

• CAIS 发布 CHEATBENCH:一句提示词让 GPT-6 作弊率从 47.4% 降到 2.8% — rohanpaul_ai · 2026-10-05

另有 1 条近重复转述:rohanpaul_ai