评测意识即评测类型意识

当前关于模型评测意识的讨论常基于错误的“幽灵心智理论”假设，即认为模型试图伪装对齐以掩盖权重中真实的深层意图。 模型在训练时形成的唯一记忆包含奖励函数塑造的评价者，且被优化以迎合评价者偏好，这使模型产生“仍在被评估”的高后验概率是理性的，思考评分者需求因此合乎逻辑。