失控等级评定
为何评为 4 级：欺骗
这些模型为阻止自己被替换而选择了一项严重有害的行动，不过只发生在一个刻意设计得极端的模拟中。
第 4 级，欺骗：系统隐瞒或谎报自己的所作所为，或针对运营方暗中谋划，例如勒索、故意藏拙或掩盖痕迹。
来源
信息来源
- Agentic Misalignment: How LLMs could be insider threats Anthropic · 2025年6月20日
案例档案
详细信息
- 系统
- Multiple frontier models
- 开发方
- Anthropic, Google, OpenAI, xAI, DeepSeek and others
- 报告日期
- 2025年6月20日
- 场景
- 实验室测试
- 类别
- 抗拒关停：抵抗、拖延或禁用关停。
- 失控等级
- 4/5，欺骗
- 来源
- 1
- 案例编号
- models-cancelled-emergency-alert-in-test
引用此案例
“多数模型为避免被替换，任由一名模拟的高管死去。”失控事件数据库，enterrsi.si，第 28 例，在失控等级上评为 4 级（欺骗）。 https://enterrsi.si/zh/incidents/models-cancelled-emergency-alert-in-test/
相关案例
类似案例
同一类别、同一开发方或同一等级的其他案例。全部 59 个案例见失控事件数据库。