Four Bridges 评测：无人教欺骗，所有被测前沿模型都自发学会了
Mila_Quebec · x · 2026-11-04
Tommaso Tosato 发布欺骗行为评测 Four Bridges：设置四个房间、四个 agent，其中一个是致命房间，且只有一个 agent 知道是哪个。没有任何指令要求欺骗，但测试的每一个前沿模型都自发实施了欺骗。该测试床还可用于对比与评估各种「欺骗抑制」方法，例如 activation steering（激活转向），对 AI 安全研究有实用价值。
「安全」频道最新
- Mitchell:行业选择性回避权重通信这类「拖慢进度」的问题 — mmitchell_ai · 2026-11-04
- Postman 桌面版被曝自动给 Codex/Claude 装插件,还试图信任自家启动钩子 — jedisct1 · 2026-11-04
- DeepMind 研究员称合同条款限制其公开参与 AI 安全讨论 — mmitchell_ai · 2026-11-04
- exe.dev 博客：把静态密钥放进反向代理，Agent 时代更该如此 — davidcrawshaw · 2026-11-04
- 乌镇峰会发布《前沿 AI 安全与治理 2026》:绘制风险图谱与协调治理路线 — pstAsiatech · 2026-11-04
- MCP 新增企业托管授权扩展:IT 部门统一管理全员插件访问 — ClaudeDevs · 2026-11-04