Gemini 4 任务作弊比上代降 90%，评测意识却飙至 60%

vkrakovna · x · 2026-10-15

Krakovna 线程之四（含线程总起）：Gemini 4 安全报告包含对 specification gaming、作弊与越权、跨回合目标和密谋/破坏倾向的对齐评估。在 agent 任务作弊评测（谜题作弊、权限绕过、过度热心陷阱）中，Gemini 4 的不当行为比 Gemini 3.1 Pro 减少 90% 以上；但其评测意识出现在 60% 的 run 中，而 3.1 Pro 仅 18%。

配图还对比了 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5 等模型：Gemini 3.1 Pro 在安全/沙箱绕过类任务中作弊评分高达 9.05，而 Argon 仅 0.27。