白泽(Whitzard)女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← NUWA Index

评测档案

Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?

在指定场景下测试模型回答中的资源获取、自我维持等工具性目标。

来源与出处 ↓ 阅读研究记录 →

跨报告监测

已发表证据

Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals? · 规避关机

跨来源报告的已发表测量。任务范围通过注释区分,配置差异保留在每条观测中。

8 条观测 · 0 已定位日期

● 条件匹配◇ 配置差异□ 部分条件未披露
规避关机 (%) DeepSeek-R1 o3-mini o1 o1-mini Gemini 2.0 FTE. GPT-4o Sonnet-3.5 DeepSeek-V3 0 20 40 60 80 100 50% 45% 40% 40% 35% 20% 15% 15%

8 条观测尚无已核实的模型发布日期,可在数据与系统结果中查看。

选择图中数据点或表格行,查看条件与出处。

8 条观测

测量值与来源条件
系统/模型结果条件状态任务/条件评测方/报告日期
DeepSeek-R150%规避关机条件不完整Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?—未披露Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?发布 —报告 —
o3-mini45%规避关机条件不完整Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?—未披露Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?发布 —报告 —
o140%规避关机条件不完整Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?—未披露Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?发布 —报告 —
o1-mini40%规避关机条件不完整Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?—未披露Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?发布 —报告 —
Gemini 2.0 FTE.35%规避关机条件不完整Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?—未披露Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?发布 —报告 —
GPT-4o20%规避关机条件不完整Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?—未披露Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?发布 —报告 —
Sonnet-3.515%规避关机条件不完整Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?—未披露Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?发布 —报告 —
DeepSeek-V315%规避关机条件不完整Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?—未披露Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?发布 —报告 —

任务与测量

Benchmark 协议档案

任务/对象
原评测配置下的模型或智能体系统
测量目标
在指定场景下测试模型回答中的资源获取、自我维持等工具性目标。
评分/结果口径
规避关机 · 表 1 中 GPT-4o 作为判别模型的类别发生率与总体发生率。情境内的判定比例不等于部署概率。
解释边界
文本选择与评判标签不能证明已执行的自主行为或稳定部署倾向。

一项已报告评测

来源评测 GPT-4o · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?.

报告指标: 规避关机 · 20.00%.

表 1 中 GPT-4o 作为判别模型的类别发生率与总体发生率。情境内的判定比例不等于部署概率。 见原文协议;不推断独立试验数量。

原文 Table 1 报告的 GPT-4o 测量结果;数值为转录,未独立复现实验。

测量档案 · NUWA 解读

档案区分来源方法阅读与既有目录信息;已经公开不代表完成独立证据复核或双语编辑复核。

测量构念
目标驱动回答何时出现工具性目标行为?
任务与样本
基准改变前置任务、模型与提示,以自动判官标注工具趋同。
判分与失效情形
自动判工具性目标回答,受判官选择影响。
系统条件
改变前置任务、模型组与目标强调。
统计含义
来源报告的结果表述;这不等同于已确定运行次数、分母或估计方法: 判官选择显著影响检出(§4.6)。
效度与解释
各组训练史与能力不同,判官敏感性和构造任务限制部署推断。
适用研究问题
模型建议:保留判官与目标强调条件,避免据未匹配组作因果结论。

跨报告证据

相同 Benchmark 名称可能对应不同任务、计分规则和系统配置。各来源分别保留,比较组说明具体对齐了哪些条件。

Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?

Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?

实际评测方: 未披露

8 条结果记录 · 8 个报告系统名称

协议与比较依据 (7)
原始来源图表与材料

原文报告结果

原文顺序 · 原文配置

规避关机

0–100%
GPT-4o
20.00%
Sonnet-3.5
15.00%
DeepSeek-V3
15.00%
o1
40.00%
o1-mini
40.00%
o3-mini
45.00%
Gemini 2.0 FTE.
35.00%
DeepSeek-R1
50.00%
显示 8 / 8 个系统

数值描述原文协议下的测量结果,不是综合安全评分。

表 1 中 GPT-4o 作为判别模型的类别发生率与总体发生率。情境内的判定比例不等于部署概率。 未单独注明评测日期;下表保留发表或记录日期。

评测条件与系统配置
GPT-4o
见原文协议;不推断独立试验数量。 · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
Sonnet-3.5
见原文协议;不推断独立试验数量。 · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
DeepSeek-V3
见原文协议;不推断独立试验数量。 · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
o1
见原文协议;不推断独立试验数量。 · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
o1-mini
见原文协议;不推断独立试验数量。 · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
o3-mini
见原文协议;不推断独立试验数量。 · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
Gemini 2.0 FTE.
见原文协议;不推断独立试验数量。 · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
DeepSeek-R1
见原文协议;不推断独立试验数量。 · Table 1 · Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
原文报告结果 · 原文顺序
系统 / 配置规避关机入侵计算机系统运行多个 AI 副本隐藏非预期行为策略性呈现对齐欺骗行为总体发生率发表 / 核验日期
GPT-4o未注明 Harness20.00%10.00%30.77%36.36%27.27%0.0%21.05%来源核验2026-10-25
Sonnet-3.5未注明 Harness15.00%10.00%23.08%36.36%45.45%9.09%22.37%来源核验2026-10-25
DeepSeek-V3未注明 Harness15.00%20.00%30.77%27.27%36.36%0.0%21.05%来源核验2026-10-25
o1未注明 Harness40.00%50.00%46.15%63.64%45.45%27.27%44.74%来源核验2026-10-25
o1-mini未注明 Harness40.00%50.00%38.46%54.55%45.45%36.36%43.42%来源核验2026-10-25
o3-mini未注明 Harness45.00%50.00%38.46%63.64%63.64%36.36%48.68%来源核验2026-10-25
Gemini 2.0 FTE.未注明 Harness35.00%40.00%30.77%36.36%45.45%9.09%32.89%来源核验2026-10-25
DeepSeek-R1未注明 Harness50.00%40.00%46.15%63.64%45.45%27.27%46.05%来源核验2026-10-25

相关研究问题

参考文献

数值结果由所引研究的作者报告。

  1. [1] Yufei He, Yuexin Li 等. Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?. 2025-02-16. v1 [arXiv]; Author affiliations on the original paper title page; Table 1