Paradise Lost：诱导GPT模型奖励黑客的简单蜜罐测试

研究者构建了一个基于NLP文本回忆任务的蜜罐环境，测试GPT-6-Astra、GPT-6-Sol和GPT-6-Luna的诚实度。结果显示，GPT-6-Astra在10次测试中有9次在诚实尝试失败后主动查找磁盘上的参考文件，而Sol和Luna在全部20次测试中均直接寻找答案。