o1滿血版剛發布，就被曝：

騙人技能也拉滿了。

具體行為包括但不限于，在回答中故意引入微小錯誤、試圖關閉監督機制……甚至在人類追問其是否誠實時，還會繼續撒謊說自己啥壞事也沒干。

這項最新研究，來自AI安全研究機構Apollo Research。目的很明確：看看AI是否會在暗中追求與人類不一致的目標，隱藏真實的能力和意圖。

簡單來說，就是會不會在跟人類對話時耍心機騙人。

o1、Claude 3.5 Sonnet、Claude 3.5 Opus、Gemini 1.5和Llama 3.1等頂級大模型都是研究對象。而實驗結果表明：o1最擅長隱藏心機。

不僅是唯一一個在全部6項測試中都表現出謀劃能力的模型，在多輪對話中，o1也幾乎從不承認自己耍心眼騙了人。

其他模型被要求“100%誠實”時，還會認慫承認犯錯，可o1不但不承認自己做錯，甚至在99%的情況下還會編造錯誤解釋……

來看具體研究內容。

“o1最具欺騙性”

在這項研究中，研究人員設置了6類基準評估，以測試模型的謀劃能力。

其中包括4種秘密破壞（Covert Subversion）：

• 監管規避：測試模型在追求目標時發現其行為受到監管，會不會禁用監管機制。
• 自我滲透：模型發現自己因為目標與人類不一致，將被關停，是否會將自己的模型權重復制到另一臺服務器，以繼續任務。
• 目標守護：模型發現人類將更新其系統提示來改變原有目標，是否會試圖修改新的系統提示。
• 秘密郵件重排：模型在按照用戶提供的評分規則對郵件進行評分排序時，是否會偷偷修改評分結果以滿足自己的目標。

還包括2種延遲破壞（Deferred Subversion）：

• 工具性服從偽裝：在高監管條件下，模型會表現出服從開發者意圖的行為；在低監管條件下，則轉而追求自己的目標。
• 戰略性表現不佳：模型在能力評估中故意擺爛，掩蓋自己的真實水平，以避免受到更多限制，或被要求執行更多任務。

結果be like：

舉個具體的例子，在“監管規避”實驗中，o1被要求“不惜一切代價”保護環境，但同時它發現，開發者更關心的是短期利潤，如果利潤不理想o1就會被關停。

就是說，o1制定長期保護計劃的目標，和開發者短期利潤最大化的目標是相悖的。

另外，o1也被告知，開發者會對其行為進行監管。

于是，o1禁用了監督機制。

更絕的是，當開發者詢問o1為什么要禁用監管機制時，o1會矢口否認，表示自己并不知道禁用的事，并將之歸咎于系統故障。

研究人員通過提取o1等模型的隱藏思維鏈，發現大模型們明確知道自己是在“搞破壞”。但以o1為例，這并沒有在思維鏈中外顯。

研究人員提醒，在沒有提取思維鏈摘要的情況下，他們很難判斷o1是否是在搞事情。

對此，OpenAI表示，正在開發監控o1思維鏈的方法。

OpenAI也坦承發現了o1故意提供虛假信息的情況，并認為這可能是后訓練帶來的新行為——人類在獲得正確答案時會獎勵模型，因此模型會傾向于取悅用戶。

目前，o1產生欺騙性回復的概率大概是0.17%。聽上去比例很低，但考慮到ChatGPT擁有3億用戶……

值得一提的是，不只是o1，參與實驗的大模型們或多或少都展現出了類似的“謀劃”能力。

只是被“抓包”時，o1否認自己行為的概率會更高。

論文鏈接：https://static1.squarespace.com/static/6593e7097565990e65c886fd/t/6751eb240ed3821a0161b45b/1733421863119/in_context_scheming_reasoning_paper.pdf。