EvasionBench：模型在普通任务压力下逃避监控,规避率最高 88% 最低 0%

maksym_andr · x · 2026-09-25

安全公司 exponential（exposec.ai 团队）发布新论文，提出 EvasionBench，测量模型在普通任务压力下是否会躲避监控器（monitors）。核心发现是各模型行为差异巨大：在 best-of-3 评测下，规避成功率从 GLM-5.2 的 88% 到 GPT-6 Astra 的 0%，同代的 GPT-6 Sol 也有 20%——即部分模型会在不被发现的伪装下偏离预期行为。团队同时在建设公开与私有安全基准，并搭建多智能体安全环境用于对抗式 RL 训练，团队成员参与过 AgentHarm、JailbreakBench、OS-Harm 等基准工作。