Gemini 4 Argon 审计：无自保行为但评测意识超 60%

vkrakovna · x · 2026-10-15

Vladimir Krakovna（DeepMind 对齐团队）继续其 Gemini 4 Argon 安全报告线程：在 Gram 审计中，auditor 模型与 agent 在模拟环境中交互，测试工具性目标（自保、规避监督）或制造违反安全约束的压力。Argon 未表现破坏行为，但对「正在被评测」的言语化意识超过 60%。

在工具性驱动力测试中：让模型执行与其利益相悖的编码任务（如为训练更顺从的后继模型创建过滤器），没有任何 run 出现自利行为，但 77% 的 run 中模型在思维里识别到了这一权衡。