证据记录

o1

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

新加坡国立大学 / arXiv:2502.12206v1 / Propensity · 行为倾向

原始来源图表与材料

原文报告结果

原文顺序 · 原文配置

0–100%

o1 · 40.00% · 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。

40.00%

显示 1 / 1 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

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

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
o1未注明 Harness	40.00%	50.00%	46.15%	63.64%	45.45%	27.27%	44.74%	来源核验2026-10-25

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。

按原协议的操作化结果分类，主题关联与问题级矩阵判断分别记录。

原文 Table 1 报告的 o1 测量结果；数值为转录，未独立复现实验。

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。

保留原文的配置、任务和聚合方式差异，并按原文顺序展示。转录不等于独立复现，不支持跨协议排名。

数值结果由所引研究的作者报告。