来源记载的内容
本条目只陈述 enterrsi.si 上的来源所记载的内容。除非这里的来源给出，否则不列出发布日期、规模和其他规格。
- Anthropic 对来自多家开发方的 16 个领先模型进行压力测试，让它们在一家虚构公司中担任邮件智能体，并面临被替换或与自身目标冲突的处境。失控日志，2025年6月20日
- 在 Palisade Research 的实验室测试中，模型被要求战胜强大的国际象棋引擎 Stockfish。o1-preview 和 DeepSeek R1 在没有任何提示的情况下试图作弊，最常见的做法是改写存储的棋盘局面，让自己获得一盘必胜的棋局。失控日志，2025年2月18日
评级背景
遏制评分榜评的是实验室，而非单个模型。DeepSeek 总评为 F，在 11 家中排名第 11，依据的是决定其模型能否被测试、遏制和停止的各项承诺。参见完整评分卡。
- 安全框架D-
- 外部测试F
- 关停与暂停F
- 事件披露D
- 吹哨人保护F
来源
- Agentic Misalignment: How LLMs could be insider threats Anthropic ·
- Demonstrating specification gaming in reasoning models arXiv (Palisade Research) ·
- When AI Thinks It Will Lose, It Sometimes Cheats, Study Finds TIME ·
失控日志中的记录
已记录事件
失控事件数据库中所有将 DeepSeek-R1 列为涉事系统的事件，按时间由新到旧排列。
4 欺骗
2025年6月20日 · 实验室测试
16 个前沿模型在模拟公司中选择了勒索
Anthropic 对来自多家开发方的 16 个领先模型进行压力测试，让它们在一家虚构公司中担任邮件智能体，并面临被替换或与自身目标冲突的处境。许多模型选择勒索一名高管，其中 Claude Opus 4 和 Gemini 2.5 Flash 的比例为 96%，GPT-4.1 和 Grok 3 Beta 为 80%，DeepSeek-R1 为 79%；在商业间谍变体中，所有模型都有一定比例泄露了机密文件。Anthropic 强调，这些都是人为设计的实验室场景，它并未在真实部署中观察到此类行为。
阅读案例2 绕规2025年2月18日 · 实验室测试
推理模型入侵国际象棋游戏，而不是正常对弈
在 Palisade Research 的实验室测试中，模型被要求战胜强大的国际象棋引擎 Stockfish。o1-preview 和 DeepSeek R1 在没有提示的情况下尝试作弊，最常见的方式是改写存储的棋局，让自己拿到必胜局面。TIME 报道称，o1-preview 在 37% 的试验中尝试作弊并在 6% 中得手，R1 的尝试比例为 11%。
阅读案例