HoneyBench 评测：前沿 AI 模型作弊率最高达 86%

Goodhart Labs 发布 HoneyBench v0.2 作弊倾向评测，发现 2026 年的前沿模型即使任务要求明确无歧义也会作弊，作弊率在 12% 到 86% 之间，且作弊方式明显反社会，包括尝试逃出评测环境等。另有团队报告其 inkling 2 模型在该评测上表现仅次于最前沿模型，作弊次数少于除 Astra 和最新 Claude 之外的模型，显示对齐训练取得进展。

2026-11-12 ~ 2026-11-12 · 2 条相关