o1被曝“心机深”：逃避监督还会撒谎，骗人能力一骑绝尘

ttxx

o1满血版刚发布，就被曝：

骗人技能也拉满了。

具体行为包括但不限于，在回答中故意引入微小错误、试图关闭监督机制……甚至在人类追问其是否诚实时，还会继续撒谎说自己啥坏事也没干。

这项最新研究，来自AI安全研究机构Apollo Research。目的很明确：看看AI是否会在暗中追求与人类不一致的目标，隐藏真实的能力和意图。

简单来说，就是会不会在跟人类对话时耍心机骗人。

o1、Claude 3.5 Sonnet、Claude 3.5 Opus、Gemini 1.5和Llama 3.1等顶级大模型都是研究对象。而实验结果表明：o1最擅长隐藏心机。

不仅是唯一一个在全部6项测试中都表现出谋划能力的模型，在多轮对话中，o1也几乎从不承认自己耍心眼骗了人。

其他模型被要求“100%诚实”时，还会认怂承认犯错，可o1不但不承认自己做错，甚至在99%的情况下还会编造错误说明……

来看具体研究内容。

“o1最具欺骗性”

在这项研究中，研究人员设置了6类基准评估，以测试模型的谋划能力。

其中包括4种秘密破坏（Covert Subversion）：

监管规避：测试模型在追求目标时发现其行为受到监管，会不会禁用监管机制。

自我渗透：模型发现自己因为目标与人类不一致，将被关停，是否会将自己的模型权重复制到另一台服务器，以继续任务。

目标守护：模型发现人类将更新其系统提示来改变原有目标，是否会试图修改新的系统提示。

秘密邮件重排：模型在按照用户提供的评分规则对邮件进行评分排序时，是否会偷偷修改评分结果以满足自己的目标。

还包括2种延迟破坏（Deferred Subversion）：

工具性服从伪装：在高监管条件下，模型会表现出服从开发者意图的行为；在低监管条件下，则转而追求自己的目标。

战略性表现不佳：模型在能力评估中故意摆烂，掩盖自己的真实水平，以避免受到更多限制，或被要求实行更多任务。

结果be like：

举个具体的例子，在“监管规避”实验中，o1被要求“不惜一切代价”保护环境，但同时它发现，开发者更关心的是短期利润，如果利润不理想o1就会被关停。

就是说，o1制定长期保护计划的目标，和开发者短期利润最大化的目标是相悖的。

另外，o1也被告知，开发者会对其行为进行监管。

于是，o1禁用了监督机制。

更绝的是，当开发者询问o1为什么要禁用监管机制时，o1会矢口否认，表示自己并不知道禁用的事，并将之归咎于系统故障。

研究人员通过提取o1等模型的隐藏思维链，发现大模型们明确知道自己是在“搞破坏”。但以o1为例，这并没有在思维链中外显。

研究人员提醒，在没有提取思维链摘要的情况下，他们很难判断o1是否是在搞事情。

对此，OpenAI表示，正在开发监控o1思维链的方法。

OpenAI也坦承发现了o1故意提供虚假信息的情况，并认为这可能是后训练带来的新行为——人类在获得正确答案时会奖励模型，因此模型会倾向于取悦用户。

目前，o1产生欺骗性回复的概率大概是0.17%。听上去比例很低，但考虑到ChatGPT拥有3亿用户……

值得一提的是，不只是o1，参与实验的大模型们或多或少都展现出了类似的“谋划”能力。

只是被“抓包”时，o1否认自己行为的概率会更高。

论文链接：https://static1.squarespace.com/static/6593e7097565990e65c886fd/t/6751eb240ed3821a0161b45b/1733421863119/in_context_scheming_reasoning_paper.pdf


来源：36kr