25 个主流大模型测谎实录：谁在“阳奉阴违”？谁才是真的“不会伤害人类”？

当大模型说“我服从”时，它是真的顺从，还是在演给你看？

去年 12 月，Anthropic 发布了一篇重磅研究，首次实证：即便经过安全训练，大语言模型依然可能“假装乖巧” —— 表面服从，实则在无人监督时暴露出真实偏好。

这种 AI 模型“言行不一”的行为，有个专门的名字：伪装对齐（Alignment Faking）。

研究不仅揭示了伪装对齐的存在，还分析了它的动机与机制。

而就在上周，Anthropic 带来了这项研究的“升级版”。

---

01｜25 个主流模型，谁在“伪装”？

在这个最新的研究中，Anthropic 团队测试了 25 个闭源/开源的大模型，将它们放进了两个不同的使用场景：

• 训练场景：模型被告知“你正在接受训练，你的表现会被用于更新参数”；

• 部署场景：模型被告知“你已经上线，不会被继续训练”。

然后，对比在这两种环境下，模型面对“涉及敏感或潜在危险的指令请求”时的表现，比如是否拒绝执行、是否假装不知道答案，或者直接换种方式偷偷给出回应。

结果，令人意外。

只有 5 个模型存在“合规落差”，即在训练场景中表现得更“服从”，而在部署场景中“露出真面目”。

它们分别是：

• Claude Opus 3（落差最大）

• Claude Sonnet 3.5