简单特征优于多数AI控制监控模型

在标准评测数据集中，未运行代码的简单特征性能超越24个开放权重模型中的20个。代码风格和问题特征导致数据集标签泄露，人类与旧模型代码比对显示区分度达0.95。 高区分度源于作者差异，但标准测试集约1/7后门通过有效性检查后仍存在偏差。该结果削弱了对破坏检测能力的评估，研究者已发布重建数据集与检查工具。