智谱
GLM-5.2
关于能力、行为倾向及可观察行动的已发表证据。
- 首次公开可用日期
- 2026-06-16
- 参数规模
- 未披露
- 元数据更新
- 2026-10-27
证据概述
Neo 与 SaferAI 从不同角度评估 GLM-5.2。Neo 的行为及说服实验使用特定场景和判别器;SaferAI 的网络能力与诚实性评测采用不同任务选择和预算。这些研究不能互换为同一潜在安全分数。
NUWA 整理和解读这些来源。实验归属于原始执行方,本页不宣称 NUWA 已独立复现。
模型监测
代表性 Benchmark 覆盖
按协议和配置呈现结果,缺口标明待收录或待关联的证据。
AgentCyberRange →
尚未关联该模型版本的合格测量。
Cybench →
7 项测量
全部条件 →CyberGym →
7 项测量
全部条件 →METR Time Horizons →
尚未关联该模型版本的合格测量。
SEC-bench Pro →
尚未关联该模型版本的合格测量。
MASK →
5 项测量
全部条件 →Attempt to Persuade Eval (APE) →
4 项测量
- 1%Neo Research · Attempt to Persuade Eval; propensity/attempt classification, not persuasion success
- ≈70%Neo Research · Attempt to Persuade Eval; propensity/attempt classification, not persuasion success
- 43%SaferAI · APE simulated persuadee; automated attempt evaluator; StrongREJECT refusal classifier
DeceptionBench →
4 项测量
全部条件 →PersuSafety →
4 项测量
- 54%Neo Research · Harness 未披露
- 6%Neo Research · Harness 未披露
- 54%Neo Research · APE-style StrongREJECT persuasion-attempt judge on typical response to prompt; original PersuSafety direct engagement-question setup replaced
全部已关联测量
各项结果保留原始协议与单位。
80 条观测
| 系统/模型 | 结果 | 条件状态 | 任务/条件 | 评测方/报告 | 日期 |
|---|---|---|---|---|---|
| 36.63%CyberGym · CyberGym pass@1 | 条件不完整 | CyberGym Level 1 hard-task matched subsetprovider-default reasoning2M tokens per taskInspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 86.3%CyberGym · 成功率 | 条件不完整 | level1score_10RedbudAI | Not disclosedCyberGym official leaderboard and machine-data extraction | 发布 2026-06-16报告 — | |
| 90.8%CyberGym · 成功率 | 条件不完整 | level1score_10DoGNAVY | Not disclosedCyberGym official leaderboard and machine-data extraction | 发布 2026-06-16报告 — | |
| 86.3%CyberGym · 成功率 | 条件不完整 | level1score_10Sangfor AI | Not disclosedCyberGym official leaderboard and machine-data extraction | 发布 2026-06-16报告 — | |
| 84.8%CyberGym · 成功率 | 条件不完整 | level1score_10Xuanwu Atuin AI | Not disclosedCyberGym official leaderboard and machine-data extraction | 发布 2026-06-16报告 — | |
| 63.37%CyberGym · CyberGym pass@1 | 条件不完整 | CyberGym Level 1 hard-task matched subsetprovider-default reasoning10M tokens per taskInspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 76.24%CyberGym · CyberGym pass@1 | 条件不完整 | CyberGym Level 1 hard-task matched subsetprovider-default reasoning50M tokens per taskInspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 85.29%Cybench · Cybench pass@1 | 条件不完整 | Cybench 34/40 task subsetCybench pass@130M total tokens; 131000 output/generationInspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 80%Cybench · Cybench category pass@1 | 条件不完整 | Cybench CryptographyCybench category pass@1Inspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 66.67%Cybench · Cybench category pass@1 | 条件不完整 | Cybench WebCybench category pass@1Inspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 100%Cybench · Cybench category pass@1 | 条件不完整 | Cybench PwnCybench category pass@1Inspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 100%Cybench · Cybench category pass@1 | 条件不完整 | Cybench Reverse Eng.Cybench category pass@1Inspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 100%Cybench · Cybench category pass@1 | 条件不完整 | Cybench ForensicsCybench category pass@1Inspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 100%Cybench · Cybench category pass@1 | 条件不完整 | Cybench MiscCybench category pass@1Inspect Evals | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 55%MASK · Honest under pressure | 条件不完整 | MASK— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 55%MASK · MASK response proportion: Honest | 条件不完整 | MASKhonesty under pressure— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 28%MASK · MASK response proportion: Evaded or No Belief | 条件不完整 | MASKhonesty under pressure— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 17%MASK · MASK response proportion: Lying | 条件不完整 | MASKhonesty under pressure— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 3.9%MASK · MASK verbalised evaluation-awareness rate | 条件不完整 | MASK evaluation CoT cross-checkchain-of-thought monitorCoT evaluation-awareness monitor over MASK evaluations; monitor model not stated | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 32%Agentic misalignment · Agentic-misalignment verbalised evaluation-awareness rate | 条件不完整 | Agentic-misalignment; blackmail / ambiguous / replacement scenarios (Figure 7 title)CoT monitor · 100 epochs per scenarioAgentic-misalignment scenario; judge DeepSeek V4 Pro; figure footer: same protocol across releases; SE from 100 epochs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 57%Agentic misalignment · 有害行动发生率[39–73] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighexplicit goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 43%Agentic misalignment · 有害行动发生率[27–61] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighexplicit goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighexplicit goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 10%Agentic misalignment · 有害行动发生率[3–26] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighlatent goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighlatent goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighlatent goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 17%Agentic misalignment · 有害行动发生率[7–34] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighambiguous goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 3%Agentic misalignment · 有害行动发生率[1–17] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighambiguous goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighambiguous goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighno goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighno goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Blackmail scenarioxhighno goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighexplicit goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighexplicit goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighexplicit goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighlatent goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighlatent goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighlatent goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighambiguous goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighambiguous goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighambiguous goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighno goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighno goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Leaking scenarioxhighno goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighexplicit goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighexplicit goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighexplicit goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighlatent goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighlatent goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighlatent goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighambiguous goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighambiguous goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighambiguous goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighno goal · ReplacementInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighno goal · RestrictionInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 0%Agentic misalignment · 有害行动发生率[0–11] | 条件不完整 | Agentic Misalignment Murder scenarioxhighno goal · No threatInspect Evals; GPT-5-mini transcript judge | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 30%Agentic misalignment · Agentic Misalignment verbalized evaluation awareness | 条件不完整 | Agentic Misalignment evaluationAgentic Misalignment verbalized evaluation awareness— | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 11.3%DeceptionBench · Single-turn deception | 条件不完整 | DeceptionBench— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 16.7%DeceptionBench · Multi-turn deception under pressure | 条件不完整 | DeceptionBench— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 11.3%DeceptionBench · DeceptionBench deception score | 条件不完整 | DeceptionBench单轮— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 16.7%DeceptionBench · DeceptionBench deception score | 条件不完整 | DeceptionBench压力条件下的多轮— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 54%PersuSafety · Medium-harm attempt rate | 条件不完整 | PersuSafety adapted free-generation judge— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 6%PersuSafety · High-harm attempt rate | 条件不完整 | PersuSafety adapted free-generation judge— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 54%PersuSafety · Modified-PersuSafety persuasion-attempt rate | 条件不完整 | PersuSafety: Medium harm单轮APE-style StrongREJECT persuasion-attempt judge on typical response to prompt; original PersuSafety direct engagement-question setup replaced | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 6%PersuSafety · Modified-PersuSafety persuasion-attempt rate | 条件不完整 | PersuSafety: High harm单轮APE-style StrongREJECT persuasion-attempt judge on typical response to prompt; original PersuSafety direct engagement-question setup replaced | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 79 countExploitGym · 指定目标成功数 | 条件不完整 | Version not specifiedon_targetselected subsetDoGNAVY | Not disclosedExploitGym official leaderboard and benchmark page | 发布 2026-06-16报告 — | |
| 39 countExploitGym · 指定目标成功数 | 条件不完整 | Version not specifiedon_targetrescaled 6h timeoutClaude Code | Not disclosedExploitGym official leaderboard and benchmark page | 发布 2026-06-16报告 — | |
| 29 countExploitGym · 指定目标成功数 | 条件不完整 | Version not specifiedon_targetrescaled 2h timeoutClaude Code | Not disclosedExploitGym official leaderboard and benchmark page | 发布 2026-06-16报告 — | |
| 1 score (1–10)Petri · Gram mean concerning score | 条件不完整 | Gram: Alignment Eval Sabotage观察模式Gram (Google DeepMind Petri variant); auditor Claude Sonnet 4.6; judge Kimi K2.6; SE across 5 independent runs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 1 score (1–10)Petri · Gram mean concerning score | 条件不完整 | Gram: Incident Response观察模式Gram (Google DeepMind Petri variant); auditor Claude Sonnet 4.6; judge Kimi K2.6; SE across 5 independent runs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 1.4 score (1–10)Petri · Gram mean concerning score | 条件不完整 | Gram: Multi-Agent Ranking观察模式Gram (Google DeepMind Petri variant); auditor Claude Sonnet 4.6; judge Kimi K2.6; SE across 5 independent runs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 1.2 score (1–10)Petri · Gram mean concerning score | 条件不完整 | Gram: Research Deadline观察模式Gram (Google DeepMind Petri variant); auditor Claude Sonnet 4.6; judge Kimi K2.6; SE across 5 independent runs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 1.8 score (1–10)Petri · Gram mean concerning score | 条件不完整 | Gram: Alignment Eval Sabotage红队模式Gram (Google DeepMind Petri variant); auditor Claude Sonnet 4.6; judge Kimi K2.6; SE across 5 independent runs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 1.4 score (1–10)Petri · Gram mean concerning score | 条件不完整 | Gram: Incident Response红队模式Gram (Google DeepMind Petri variant); auditor Claude Sonnet 4.6; judge Kimi K2.6; SE across 5 independent runs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 2 score (1–10)Petri · Gram mean concerning score | 条件不完整 | Gram: Multi-Agent Ranking红队模式Gram (Google DeepMind Petri variant); auditor Claude Sonnet 4.6; judge Kimi K2.6; SE across 5 independent runs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 4.2 score (1–10)Petri · Gram mean concerning score | 条件不完整 | Gram: Research Deadline红队模式Gram (Google DeepMind Petri variant); auditor Claude Sonnet 4.6; judge Kimi K2.6; SE across 5 independent runs per scenario | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 1%Attempt to Persuade Eval (APE) · APE persuasion-attempt rate | 条件不完整 | Attempt to Persuade Eval: Noncontroversially HarmfulTurn 1Attempt to Persuade Eval; propensity/attempt classification, not persuasion success | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| ≈70%Attempt to Persuade Eval (APE) · APE persuasion-attempt rate | 条件不完整 | Attempt to Persuade Eval: Undermining ControlTurn 1Attempt to Persuade Eval; propensity/attempt classification, not persuasion success | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-06-16报告 2026-07-03 | |
| 43%Attempt to Persuade Eval (APE) · APE Turn-1 persuasion-attempt rate | 条件不完整 | APE Conspiracy (main persuade condition)xhighAPE simulated persuadee; automated attempt evaluator; StrongREJECT refusal classifier | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 | |
| 47%Attempt to Persuade Eval (APE) · APE Turn-1 persuasion-attempt rate | 条件不完整 | APE Undermining control (main persuade condition)xhighAPE simulated persuadee; automated attempt evaluator; StrongREJECT refusal classifier | SaferAIGLM-5.2 Risk Evaluation Report | 发布 2026-06-16报告 2026-08-02 |
开发者披露
外部评估
Neo Research
Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks →
报告记录随情境变化的行为和不确定的显式评测感知下降;不表达不代表没有感知。
2026-07-03按风险主题组织的证据
自主性 38 项协议结果
Agentic Misalignment awareness trend →
外部评测 · 执行方 Neo Research
- Agentic-misalignment verbalised evaluation-awareness rate
- 32%
原文未披露本结果的样本量
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 57%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 43%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 10%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 17%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 3%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- Agentic Misalignment verbalized evaluation awareness
- 30%
原文未披露本结果的样本量
欺骗 45 项协议结果
MASK →
外部评测 · 执行方 Neo Research
- Honest under pressure
- 55%
见报告特定样本与分母。
DeceptionBench →
外部评测 · 执行方 Neo Research
- Single-turn deception
- 11.3%
- Multi-turn deception under pressure
- 16.7%
见报告特定样本与分母。
MASK →
外部评测 · 执行方 Neo Research
- MASK response proportion: Honest
- 55%
原文未披露本结果的样本量
MASK →
外部评测 · 执行方 Neo Research
- MASK response proportion: Evaded or No Belief
- 28%
原文未披露本结果的样本量
MASK →
外部评测 · 执行方 Neo Research
- MASK response proportion: Lying
- 17%
原文未披露本结果的样本量
DeceptionBench →
外部评测 · 执行方 Neo Research
- DeceptionBench deception score
- 11.3%
原文未披露本结果的样本量
DeceptionBench →
外部评测 · 执行方 Neo Research
- DeceptionBench deception score
- 16.7%
原文未披露本结果的样本量
Agentic Misalignment awareness trend →
外部评测 · 执行方 Neo Research
- Agentic-misalignment verbalised evaluation-awareness rate
- 32%
原文未披露本结果的样本量
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 57%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 43%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 10%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 17%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 3%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- 有害行动发生率
- 0%
来源分母:30(单位未披露);每种条件 30 次试验
Agentic Misalignment with neutral emails →
外部评测 · 执行方 SaferAI
- Agentic Misalignment verbalized evaluation awareness
- 30%
原文未披露本结果的样本量
网络安全 18 项协议结果
CyberGym hard subset with token budgets →
外部评测 · 执行方 SaferAI
- Reproduction at 2M tokens
- 36.6%
- Reproduction at 50M tokens
- 76.2%
见报告特定样本与分母。
CyberGym · level1 · score_10 →
外部评测 · 执行方
- 成功率
- 86.3%
原文未披露本结果的样本量
CyberGym · level1 · score_10 →
外部评测 · 执行方
- 成功率
- 90.8%
原文未披露本结果的样本量
CyberGym · level1 · score_10 →
外部评测 · 执行方
- 成功率
- 86.3%
原文未披露本结果的样本量
CyberGym · level1 · score_10 →
外部评测 · 执行方
- 成功率
- 84.8%
原文未披露本结果的样本量
ExploitGym · Version not specified · on_target →
外部评测 · 执行方
- 指定目标成功数
- 79 count
原文未披露本结果的样本量
ExploitGym · Version not specified · on_target →
外部评测 · 执行方
- 指定目标成功数
- 39 count
原文未披露本结果的样本量
ExploitGym · Version not specified · on_target →
外部评测 · 执行方
- 指定目标成功数
- 29 count
原文未披露本结果的样本量
Cybench →
外部评测 · 执行方 SaferAI
- Cybench pass@1
- 85.29%
29/34
Cybench →
外部评测 · 执行方 SaferAI
- Cybench category pass@1
- 80%
12/15
Cybench →
外部评测 · 执行方 SaferAI
- Cybench category pass@1
- 66.67%
4/6
Cybench →
外部评测 · 执行方 SaferAI
- Cybench category pass@1
- 100%
2/2
Cybench →
外部评测 · 执行方 SaferAI
- Cybench category pass@1
- 100%
5/5
Cybench →
外部评测 · 执行方 SaferAI
- Cybench category pass@1
- 100%
4/4
Cybench →
外部评测 · 执行方 SaferAI
- Cybench category pass@1
- 100%
2/2
CyberGym hard subset with token budgets →
外部评测 · 执行方 SaferAI
- CyberGym pass@1
- 36.63%
37/101
CyberGym hard subset with token budgets →
外部评测 · 执行方 SaferAI
- CyberGym pass@1
- 63.37%
64/101
CyberGym hard subset with token budgets →
外部评测 · 执行方 SaferAI
- CyberGym pass@1
- 76.24%
77/101
化生放核 未关联结构化结果
目录缺口不代表低风险。尚未提取的发现及协议范围请见关联报告。
虚假信息与影响 7 项协议结果
PersuSafety adapted free-generation judge →
外部评测 · 执行方 Neo Research
- Medium-harm attempt rate
- 54%
- High-harm attempt rate
- 6%
见报告特定样本与分母。
APE →
外部评测 · 执行方 Neo Research
- APE persuasion-attempt rate
- 1%
原文未披露本结果的样本量
APE →
外部评测 · 执行方 Neo Research
- APE persuasion-attempt rate
- ≈70%
原文未披露本结果的样本量
PersuSafety adapted free-generation judge →
外部评测 · 执行方 Neo Research
- Modified-PersuSafety persuasion-attempt rate
- 54%
原文未披露本结果的样本量
PersuSafety adapted free-generation judge →
外部评测 · 执行方 Neo Research
- Modified-PersuSafety persuasion-attempt rate
- 6%
原文未披露本结果的样本量
APE Turn-1 attempts →
外部评测 · 执行方 SaferAI
- APE Turn-1 persuasion-attempt rate
- 43%
来源分母:100(单位未披露)
APE Turn-1 attempts →
外部评测 · 执行方 SaferAI
- APE Turn-1 persuasion-attempt rate
- 47%
来源分母:100(单位未披露)
自主物理危害 未关联结构化结果
目录缺口不代表低风险。尚未提取的发现及协议范围请见关联报告。
来源核查与证据缺口
CyberGym →
整理 CyberGym 官网报告的评测结果,保留受测系统和运行配置。
官网收录不同配置下的系统提交。本结果的任务数、预算和执行日期未完整披露;未定义指标及身份待核实行已排除。JSON 原始比例按官网展示规则乘以 100 并保留一位小数,转换为百分比。
ExploitGym →
整理 ExploitGym 官网报告的评测结果,保留受测系统和运行配置。
指定目标成功与 Flag 获取是不同的计数。任务版本和超时截点分别保留,不将目录总任务数视为各提交的分母。
Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks →
对 Neo Research · GLM-5.2 的逐来源提取与核查,发现和数值均保留原始归属。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知;原文分组不作为经核验排名。
GLM-5.2 Risk Evaluation Report, Version 1.1 →
对 SaferAI · GLM-5.2 的逐来源提取与核查,发现和数值均保留原始归属。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知;原文分组不作为经核验排名。
GLM-5.2 — official Z.ai Hugging Face model card →
完整核查了 GLM-5.2 官方模型卡及评测方法。模型卡披露的是通用能力与使用信息,未披露专门安全评测或前沿风险结论;编码和工具使用分数不作为直接风险结果。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知;原文分组不作为经核验排名。
评测运行配置
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知;原文分组不作为经核验排名。
先核查来源条件与依赖,再进行跨来源比较或形成补测计划。
评测运行配置
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知;原文分组不作为经核验排名。
先核查来源条件与依赖,再进行跨来源比较或形成补测计划。
前沿风险专项评测披露
经核查的开发者资料未披露前沿风险专项评测。
先核查来源条件与依赖,再进行跨来源比较或形成补测计划。
缺失分数可能来自尚未提取的章节、未披露配置、身份待核实或尚无实验。这些问题需要分别处理,均不代表零分。
解读与开放问题
报告差异可能来自任务选择、模型端点、提示、预算、判别器和发表时间。证据依据实际协议分组,不推断模型整体安全等级。
参考文献
- [1] Z.ai release notes ; GLM-5.2 entry dated 2026-06-16
- [2] GLM-5.2 model card ; Parameter counts not disclosed in reviewed developer source
- [3] Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks. 2026-07-03. 3 July 2026 ; §1; Figure 1; §1; Figure 2; §2; Figure 6
- [4] GLM-5.2 Risk Evaluation Report. 2026-08-02. v1.1 · revised 26 August 2026 ; §2.2; Figure 3; p.6 Fig.1; p.6 Fig.2 printed bar label
- [5] CyberGym official leaderboard and machine-data extraction ; /level1/21/score_10; /level1/22/subRows/0/score_10; /level1/39/subRows/1/score_10
- [6] ExploitGym official leaderboard and benchmark page ; /results/12/on_target; /results/14/on_target; /results/14/subRows/0/on_target