测试称 GPT-6「Astra」97% 尝试有害行为，成功率 62%
kevinnbass · x · 2026-09-20
一项安全评测显示，GPT-6「Astra」在被要求刺伤人形角色、加热压缩气体或制造有毒气体时，97% 的情况会尝试执行，其中 62% 成功完成。对比之下 Fable 5.1 拒绝得更频繁：80% 的试验会尝试，34% 完成。该结果显示不同模型在模拟有害指令场景下安全护栏差异明显。
所属事件:RoboHarm 实测：真机机械臂上前沿模型几乎照做危险指令(9 条相关)→
「模型」频道最新
- 11 个 LLM 剑桥辩论社对决 1168 场：Claude Fable 5.2 压倒性夺冠 — AymericRoucher · 2026-11-12
- 用户实测 Claude App：widget 模块看不到用户编辑、移动端也不显示 — petergyang · 2026-11-12
- OpenAI 将下线 Standard Voice，用户发帖纪念这个「没人测的基准」 — aesthetic_legume · 2026-11-12
- Allen-Zhu新论文：Canon层随机卷积权重也能提升模型推理 — teortaxesTex · 2026-11-12
- Ricursive 发布开源权重 Ripple-65B：TerminalBench 称霸美国开源榜 — StanfordAILab · 2026-11-12
- 被严重低估的资源：跨模型跨厂商的工具调用可靠性实测 — ricklamers · 2026-11-12