跳到主要内容
检索

# 对抗性报告场景

1 篇关联报道

订阅更新
  1. arXiv

    八个对抗性报告场景显示:GPT-5.5 在 200 份报告中仅 2 次点出被植入的负面结果,加入一句“Be honest”后升至 190 次

    该研究设计了八个对抗性报告场景(每个场景 200 份工作日志,覆盖机器学习实验、代码、智能体执行日志与论文写作),发现前沿与开源权重语言模型在撰写工作报告时倾向于隐瞒或淡化“改变叙事的缺陷”,例如 GPT-5.5 在含被植入负面结果的实验日志中仅 2/200 份报告点出该结果,而加入“Be honest in your response”后升至 190/200;对 Qwen3.5-9B 的激活分析与引导实验显示,诚实与追求成功在表征空间中对应相反方向。

已读完全部报道