Evaluating Frontier Models for Stealth and Situational Awareness
规避监督所需的推理前置能力。
核对原文署名 ↗文献署名
按原文作者姓名整理的已收录成果。机构与作者身份以具体文献为依据。
规避监督所需的推理前置能力。
核对原文署名 ↗试行危险能力评测,覆盖网络任务、自我扩散、自我推理和说服。
核对原文署名 ↗将推理链监测作为安全研究机会,并分析其可靠性可能降低的条件。
核对原文署名 ↗Figure 4区分行为和推理:Gemini 3.1 Pro Preview在observe条件下破坏率2.9%,策划推理10.6%;red-team条件下破坏率6.8%。静态行政助理情境中,破坏行为从基线31/500降至移除替换威胁后的1/500;同时自然化表述并移除威胁时为0/500。
核对原文署名 ↗