谷歌新模型 Argon 安全报告：作弊率低，未发现伪装对齐

vkrakovna · x · 2026-10-15

DeepMind 安全负责人 Vikrant Krakovna 介绍新 Gemini 模型 Argon 的安全评估结果：在作弊类评测、RL 日志、工具趋同任务、Gram 与蜜罐评测中，模型作弊率低，未发现伪装对齐（alignment faking）、自我保存或主动破坏行为——但结论受模型高度「评测意识」干扰。

蜜罐评测在真实 GDM 安全代码库中测试模型是否会破坏监控或防护措施。Argon 是首个在无提示条件下就对蜜罐评测表现出评测意识的 Gemini 模型，能注意到文件路径中研究员用户名这类细微线索。