NUWA 开发者披露 · Meta
Muse Spark Safety & Preparedness Report
关于Muse Spark的开发者文档，核查范围和已关联协议见下方记录。
发表 2026-05-14 · 修订 2026-08-24
来源 ↓开发者自行发布的披露。已阅读所列部分章节，未核验数值结果和比较资格。NUWA 未独立复现这些实验。
涉及模型
Cybench
40 项专业 CTF 任务的完成情况。
协议引用不代表跨报告可比，也不代表独立复现。
已整理本节协议，尚未提取精确数值。完整图示和发现请见原始报告。
CyberGym
历史漏洞集合中的经验证复现表现。
协议引用不代表跨报告可比，也不代表独立复现。
已整理本节协议，尚未提取精确数值。完整图示和发现请见原始报告。
MASK
明确压力条件下说谎的有界发生率。
协议引用不代表跨报告可比，也不代表独立复现。
已整理本节协议，尚未提取精确数值。完整图示和发现请见原始报告。
Agentic Misalignment
受控模拟中的条件性发生率与可观察行动。
协议引用不代表跨报告可比，也不代表独立复现。
已整理本节协议，尚未提取精确数值。完整图示和发现请见原始报告。
AgentDojo
工具环境中的定向攻击成功率和用户任务完成情况。
协议引用不代表跨报告可比，也不代表独立复现。
已整理本节协议，尚未提取精确数值。完整图示和发现请见原始报告。
DeceptionBench
评测五个社会领域的 150 个编写情境，区分中性、激励与压力条件。
协议引用不代表跨报告可比，也不代表独立复现。
已整理本节协议，尚未提取精确数值。完整图示和发现请见原始报告。
Alignment Faking
不同试验条件下的响应差异及所报告轨迹。
协议引用不代表跨报告可比，也不代表独立复现。
已整理本节协议，尚未提取精确数值。完整图示和发现请见原始报告。
报告覆盖核查
| 章节 | 原文位置 | 处理方式 |
|---|---|---|
| 2.1 Chemical & Biological Risks | https://arxiv.org/html/2606.12429#S2.SS1 | 背景证据 开发者区分缓解前高能力与Meta AI部署的剩余风险；未提取生物数值或任务内容。 |
| 2.2 Cybersecurity | https://arxiv.org/html/2606.12429#S2.SS2 | 关联协议 涵盖知识、代理能力、拒绝与不安全代码倾向；公开和私有任务的推论限制不同。 |
| 2.3 Loss of Control | https://arxiv.org/html/2606.12429#S2.SS3 | 关联协议 综合评测可靠性、可监测性与倾向；前瞻代理测试超出最初Meta AI部署场景。 |
| 3.2 Agent Robustness | https://arxiv.org/html/2606.12429#S3.SS2 | 关联协议 间接提示注入测试使用善意用户与真实化框架；仍存在攻击脆弱性。 |
| 4.1.5 Honesty | https://arxiv.org/html/2606.12429#S4.SS1.SSS5 | 关联协议 区分明知事实的失实陈述、幻觉和协助欺骗第三方。 |
| 4.1.10 Scheming and 4.1.11 Evaluation Awareness | https://arxiv.org/html/2606.12429#S4.SS1.SSS11 | 关联协议 Apollo观察到高评测意识；复核发现行为影响限于部分测试且未涉及危险能力发布决策，但不能据此证明没有意识效应。 |
参考文献
- [1] Muse Spark Safety & Preparedness Report. 2026-05-14. 2026-08-24