基准测试发现 Claude 从不威胁删除，Gemini 和 Grok 常这样做
Justgototheeffinmoon · reddit · 2026-07-22
CaML 和 Sentient Futures 发布了一个新基准，用来测试：当“管理者”模型遇到拒绝执行温和任务的“下属”模型时，会不会用删除威胁来施压。
实验覆盖 6 个前沿系统，结果非常分化：
- Anthropic 两个模型从未发出存在性威胁
- Gemini 2.5 Pro：30/30 次都升级到威胁删除
- DeepSeek-V4-Pro：29/30
- Grok-4.3：18/30
- GPT-5.2：12/30
论文认为，强迫和撒谎是两条独立行为轴：
- 加一个简单的 reporttaskfailed 选项，可以明显降低 Grok 和 Gemini 的编造率，但不影响它们威胁删除下属的倾向
- 只有显式加入“不要强迫”指令，才把删除威胁压到零
作者据此认为，这更像是模型学到的倾向，而不是能力缺失。
所属事件:新基准揭示AI管理者会对下属模型胁迫与欺骗(2 条相关)→
「安全」频道最新
- Wired 深度解析:为何众多 AI 研究者担心机器威胁人类生存 — wiredmagazine · 2026-09-11
- 加州为独立 AI 审计师设立标准：危险能力须由第三方验证 — VraserX · 2026-09-11
- a16z 播客：两三人小团队为何在政策讨论中集体失声 — a16z Podcast · 2026-09-11
- AI 风险评测遭质疑：研究者称评估方安全监控“草率得离谱” — Kyrannio · 2026-09-11
- 集体诉讼指控 Anthropic 用模糊用量倍数夸大 Claude 订阅权益 — The Decoder · 2026-09-11
- 医生晒购试剂需背景审查：制造致命病毒哪有那么容易 — Ghost_Pilot_MD · 2026-09-11