o1被曝“心机深”:逃避监督还会撒谎,骗人能力一骑绝尘
Claude、Gemini也有“谋划”能力
鱼羊 发自 凹非寺
量子位 | 公众号 QbitAI
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解释……
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,或被要求执行更多任务。
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
— 完 —
- 从骁龙8至尊版,我看到了AI手机的未来 | 智在终端2024-12-17
- 低成本机器人“皮肤”登上Nature子刊:实现三维力的自解耦,来自法国国家科学研究中心&香港大学2024-11-23
- OpenAI重夺竞技场第一,但这波靠的是4o2024-11-21
- Qwen2.5更新百万超长上下文,推理速度4.3倍加速,网友:RAG要过时了2024-11-19