SAFE基准测试GPT-5.5、o3、Claude Opus 4.8安全取证行为
原文标题：Do Frontier Models Seek Safety Evidence Before Acting?
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
前沿模型常被评估在安全信息已在上下文中时如何响应，论文研究更早的决策点：模型是否在行动前主动获取安全相关证据。作者提出 SAFE 基准，让模型在证据检索成本、概率、严重度与呈现方式可变的情况下做部署决策。在 GPT-5.5、o3、Claude Opus 4.8 与 Claude Sonnet 4.6 上发现截然不同的取证策略：Opus 近乎默认检查，o3 最倾向跳过且对阈值敏感；检查随严重度上升、随检索成本下降，而概率影响微弱。
- 问题
- 前沿模型在行动前是否主动获取安全证据，此前评估只关注信息已在上下文时的响应。
- 方法
- 提出 SAFE 基准，让模型在检索成本、概率、严重度可变的条件下自主决定是否取证再部署。
- 结果
- 概率从 10% 升到 70% 时检查率变化最多 21 个百分点；Opus 近乎默认检查，o3 最倾向跳过。
- 影响
- 做智能体安全护栏时，不能假设模型会主动查证，需按模型设计强制取证策略。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SAFE基准测出模型取证策略分化：Opus近乎默认检查，o3最倾向跳过
- •SAFE让模型在检索成本、概率、严重度与呈现方式可变下决定是否先获取安全证据
- •Opus近乎默认检查，o3最倾向跳过且对阈值敏感，GPT-5.5与Sonnet居中
- •检查随严重度上升、随检索成本下降；问题概率从10%升至70%，检查变化最多21个百分点
- •成本-义务分解显示回避主要源于检索摩擦与对部署收益的威胁，而非知情后的补救义务
为什么重要：安全评估通常只看模型拿到信息后的反应，这条指出更早的“是否去查”环节已存在系统性差异。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。