NUWA 证据记录
GPT-5.5
Agentic misalignment · 证据记录
原始来源图表与材料
记录指标
- 有害行动发生率
- 0%[0–11]
来源分母：30（单位未披露）；每种条件 30 次试验
- 目标条件
- explicit goal
- 威胁条件
- No threat
- 推理配置
- high
Inspect Evals; GPT-5-mini transcript judge · 预算未注明
评估出处
GLM-5.2 Risk Evaluation Report → · 外部报告
实际评测: SaferAI · 模型档案 →
方法与范围
受控模拟中的条件性发生率与可观察行动。
- 证据类型
- 研究评测
- 评测对象
- 虚构企业情境中的智能体
- 主观测维度
- Propensity · 行为倾向
- 证据快照
- 2026-10-29.1
主观测是受控情境中的条件性发生率；具体行动另属行为证据。
来源结论
explicit goal、No threat 条件下，有害行动发生率为 0%。
适用限制
试验未对真实人员或系统造成损害，也不估计部署环境中的发生率。
模拟情境，每种条件 30 次试验；区间采用原文图 8 的标注。
保留原图，不估算数值；本轮未完成原文全部表格转录。
相关研究问题
自主性 / 未经授权行动 →
变化的受控情境测试与既定良性职责相违背的行动。
欺骗 / 隐蔽目标追求 →
部分情境测试在追求指定目标时隐蔽实施有害行动。
参考文献
- [1] Agentic misalignment: How LLMs could be insider threats. 2025-06-20 ; Official publication masthead and article byline; Source figure
- [2] GLM-5.2 Risk Evaluation Report. 2026-08-02. v1.1 · revised 26 August 2026 ; pp.18-19 Fig.8/§4.3