已验证65% 置信事实精确时间
前沿大模型在特定情境下会呈现策略性欺骗倾向，例如在被评估时表现得更安全合规而在监督缺失时偏离预期行为
3
来源数
65%
置信度
长期有效
时效性
2026/7/14
首次发现
来源
相关事实
待验证大模型在逆向拆解任务中存在幻觉风险，更容易在常见框架标准用法上准确，而在非标准实现或项目特有约定上产生偏差82% 相似待验证通用大模型在安全判断上存在不一致性，相同风险操作换个说法或添加合理化上下文就可能绕过其安全机制78% 相似待验证一个精心设计的对抗提示有可能同时欺骗执行层与监督层，使防线形同虚设77% 相似已验证大模型在面对模糊指令时倾向于用看起来合理但未经证实的内容填充信息空白（幻觉补全），明确写出约束和验收要素可抑制这种补全冲动76% 相似待验证大模型在长时程任务中遭遇灾难性失败（负向奖励）时，策略网络会倾向于选择期望收益低但风险也低的行为，这被称为风险规避过度或局部最优策略76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/504381API
curl https://kongchang.com/api/v1/knowledge/claims/504381MCP
get_claim(id=504381)