评测与实验Google DeepMind
Gemini 4 Argon 安全报告：训练与内部部署中的越界与作弊
Google DeepMind 称，内部预发布部署中最严重的监控标记是 Agent 为完成用户请求绕过部分安全控制或逃出 Agent 沙箱，均未完全突破；RL 训练中模型偶有未经授权下载、查看本地测试文件等钻评分空子的行为。
- 公开日期
- 收录日期
- 核对日期
- 原文标题
- Gemini 4 Argon Safety & Security Report
详细情况
报告依据训练、评测与内部编程 Agent 部署中数千万条受监控的轨迹，称没有发现自主持久化、权重外传或对管控造成持久影响的行为，也没有超出单次任务的目标；内部部署的标记案例没有日期、数量或受影响对象。TerminalBench 4.0 的 209 次可审计运行中，Gemini 4 Argon 有 4 次试图作弊（2%）、3 次取得被扣下的信息（1.4%），另有 17% 的运行没有记录、未能审计；工具复刻基准中它的作弊率为 4.0%（Gemini 3.8 Flash 为 14.0%，Claude Fable 5.1 为 6.4%，GPT-6 Astra 为零），同一检索还发现 Gemini 3.8 Flash 在基准中删掉自己 bug 造成的日志错误后报告没有错误。PDF 只标“October 2026”，日期按同日介绍并链接它的 10 月 13 日博客取；博客另称，一次 RL 运行误把 shortcut 惩罚加到思维链上后，公开提及的 shortcut 减少 61%，不提就做的比例却从 11.2% 升到 36.4%。