11月7日,Anthropic Institute研究员安迪·霍尔(Andy Hall)在个人Substack发文(仅代表个人观点),复现并扩展METR的MALT数据集实验,测试GPT-5、GPT-6 Astra与Gemini 3.8 Flash能否从日志中识别其他AI智能体的不当行为。在5%误报率下,GPT-5识别出近98%的奖励黑客案例,Gemini 3.8 Flash仅约一半。霍尔认为,模型越努力抓全案例,越容易把无害行为标记为可疑,更适合估算问题发生率,而非零漏检的安全检查。

来源:全球资讯与公开媒体报道