System-1 模型生物安全基准审计：校准与选项顺序不稳
原文标题：Auditing System-1 Models on Biosecurity-Relevant Benchmarks: Calibration, Selective Prediction, and Permutation Instability in a Non-Generative Model
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文审计了一款商用非生成式 System-1 模型在 WMDP 与 LAB-Bench 等生物安全相关基准上的可靠性，涵盖准确率、校准、选择性预测与选项顺序敏感性。模型校准尚可（ECE 0.034），但准确率高度依赖任务；在选项循环轮换下 37.4% 的 WMDP-Cyber 题目答案改变，主要归因于选项顺序。对概率做旋转平均可提升 3.8 个百分点，且仅对低置信度题目应用即可低成本获得大部分收益。
- 问题
- 商用非生成式System-1模型在生物安全任务上的可靠性未被系统检验。
- 方法
- 在WMDP、WMDP-Bio变体与六个LAB-Bench子任务共6020道选择题上审计准确率、校准、选择性预测与选项顺序敏感性。
- 结果
- ECE 0.034、AUROC 0.820；选项四轮循环下37.4%的WMDP-Cyber题目答案改变；旋转平均概率提升3.8个百分点。
- 影响
- 低成本System-1模型可用于流水线，但选项顺序会显著改变结论，部署前必须做顺序鲁棒性检查。
深读 · 结论先行AI 生成展开看要点与影响 ↓
审计一款商用System-1模型：ECE仅0.034，但选项循环轮换下37.4%的WMDP-Cyber题目答案改变。
- •审计对象为一款商用非生成式System-1模型，覆盖6,020道多选题，来自WMDP、WMDP-Bio变体与六个LAB-Bench子任务
- •正确解读厂商不确定性字段后，池化ECE为0.034，top-1概率区分对错的池化AUROC为0.820，但在弱任务上明显退化
- •四种选项循环轮换下，37.4%的WMDP-Cyber题目答案改变；字节相同的重复调用对照表明主因是选项顺序而非运行间波动
- •对概率做旋转平均可提升WMDP-Cyber准确率3.8个百分点，仅对低置信度题目应用即可低成本获得大部分收益
为什么重要：把System-1模型当作低成本组件接入生物安全等高风险流水线时，选项顺序敏感性会直接动摇基准分数的可信度。
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。