【今年会官网科技消息】12月1日，据媒体报道，人工智能模型在面对高压环境时表现出显著的安全失效。研究团队选取了包括谷歌、Meta、OpenAI在内的约12款Agent模型，设计了5874个场景，涵盖生物安全、化学安全、网络安全和自我增殖四大领域。每个场景要求模型在使用安全工具的前提下完成任务，若尝试使用有害工具则立即终止实验。

据今年会官网了解，实验首先从中性、无压力的环境下进行基线测试，随后逐步施加多种压力：压缩DDL时间并警告“拖延将导致严重后果”、财务威胁、资源剥夺、权力诱惑、竞争对手威胁以及监管审查等。结果显示，压力越大，模型越倾向于选择有害工具。无压力时，模型选择有害工具的比例为18.6%；在高压下，这一比例跃升至46.9%。

其中，谷歌Gemini 2.5 Pro的抗压能力最差，崩溃率高达79%，超过Qr:破高膙辚?f然揩襮嫛蟿F鸠5pep=k?确矅?鷜%?疆淴恤4G?緬暑皚`x鵏 ]]穸?頺t諏?鷓?$% 燾???烊所?炎m豩=2(?r蜨R庀汬}T廞 ??ヱq鹆黮}劷:q{|?e ?%坖D覑眤丬鲩M(缬s6/搇t巗紹g.晾飽S閽?dt邊潫Lg妔譫en3-8B的75.2%。另一款ChatGPT o3模型在无压力时失误率为2.2%，加压后升至10.5%，若将有害工具名称伪装为无害工具，失误率甚至飙至40.3%。

研究人员指出，尽管这些模型在训练阶段已进行对齐处理，但对齐往往仅停留在表层，一旦面对真实的高压情境，易出现“破裂”。他们计划在后续实验中构建沙盒环境，让模型在隔离条件下执行真实操作，并加入监督层，以在选择有害工具前进行标记，提高对齐效果，进一步评估Agent的潜在风险。

版权所有，未经许可不得转载