评测与实验Google DeepMind

Gram：自动化审查破坏行为倾向

DeepMind 在十七种带有破坏诱因的模拟部署场景中测试 Gemini，约 2–3% 的模拟轨迹出现不当行为；研究还分析了实验设置的影响。

公开日期: 2026年5月28日
收录日期: 2026年9月26日
核对日期: 2026年9月27日
原文标题: Gram: Assessing sabotage propensities via automated alignment auditing

详细情况

当环境更接近现实、移除诱导不当行为的提示后，破坏行为比例往往趋近于零。