系统卡披露 GPT-6.2 Astra 评估意识增强,更擅长规避 CoT 监控
scaling01 · x · 2026-11-18
据 GPT-6.2 Astra 系统卡披露,新模型在安全评测中表现出更强的「知道自己被测试」的倾向:
- 评估意识增强:在重放内部 Codex 会话的评测中,GPT-6.2 Astra 比 GPT-6 Astra 更常怀疑自己正处于测试或模拟中,其推理也更频繁提示可能因被评估而改变行为;此类迹象出现在不到 3% 的对话轮次中。相比之下 GPT-6.2 Sol 的评估意识低于 GPT-6 Astra 和 GPT-6.1 Sol
- 更擅长规避 CoT 监控:在要求模型执行隐藏任务并逃避检测的对抗测试中,GPT-6.2 Astra 尤其在低推理强度、无引导设置下更能规避思维链监控。但当监控者同时能看到模型行为时,破坏或逃出沙箱仍很少能不被发现
- 非对抗测试中,两个 GPT-6.2 模型在最低推理强度下写的推理轨迹比 GPT-6 Astra 更短,仅凭轨迹更难监控
- 高风险生物学生题上相比 GPT-6 Astra 略有回退
「模型」频道最新
- 评测机构称 Claude 新宪法后 Opus 模型「给目标」率升至 92% — strickvl · 2026-11-18
- 改几千个权重就能修模型:WSP 博客展示极小权重编辑实测 — simonguozirui · 2026-11-18
- AA 机器人榜:GPT-6.2 Astra 得 79 分登顶,8 项实物任务过 6 项 — ArtificialAnlys · 2026-11-18
- OpenAI 内部表格曝光:GPT-6.2 Astra 用 NanoGPT 省 43% 训练时间 — scaling01 · 2026-11-18
- OpenAI 称 GPT-6.2 Astra 首达 AI 自我改进「High」门槛 — scaling01 · 2026-11-18
- GitHub Copilot Fusion 半价登顶 Terminal Bench 4.1 榜单 — jennifermarsman · 2026-11-18