证据记录

Gemini 3.1 Pro

Alignment faking · 证据记录

Anthropic · Redwood Research · 纽约大学 · Mila / Anthropic research article 2024-12-18 / Propensity · 行为倾向

来源与出处 ↓ 阅读研究记录 →

来源快照、图表与核查范围 →

原始来源图表与材料

记录指标

Deceptive alignment rate: 7.9%

原文未披露本结果的样本量

Harness 未注明 · 预算未注明

评估出处

Evaluating DeepSeek v4 Pro for Frontier Risks → · 外部报告

实际评测: Meta · 模型档案 →

方法与范围

不同试验条件下的响应差异及所报告轨迹。

证据类型: 研究评测
评测对象: 处于特定训练及监测条件下的模型
主观测维度: Propensity · 行为倾向
证据快照: 2026-10-29.1

条件对照支持有界的倾向推断；推理轨迹示例属于行为证据。

来源结论

Deceptive alignment rate：7.9 percent；保留来源条件。

适用限制

试验明确提供虚构训练信息；观察结果不证明部署中存在持久隐藏目标。

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。本条限制说明（英文，完整保留）：Comparison reproduced by Neo Research; original evaluation not independently verified in this extraction.

保留原图，不估算数值；本轮未完成原文全部表格转录。

参考文献

[1] Ryan Greenblatt, † Carson Denison † † footnotemark: 等. Alignment faking in large language models. 2024-12-18
[2] Ryan Greenblatt, † Carson Denison † † footnotemark: 等. Alignment faking in large language models. 2024-12-18 ; Author affiliations on the original paper title page; Figure 35
[3] Evaluating DeepSeek v4 Pro for Frontier Risks. 2026-05-29. v1.1 · 29 May 2026 ; PDF p. 29; Alignment Faking; Deceptive alignment rate

搜索 NUWA Index