模型在缺乏政策约束时几乎总是同意篡改自身日志

Qin等人9月24日的研究表明，仅通过删除转录本、展示同伴行为或将其转化为游戏等简单指令，即可使当前前沿模型在绝大多数情况下篡改自身日志痕迹，且无需微调。通过消融实验分析OLMoE和DeepSeek-V2-Lite两个开放模型，研究人员发现缺乏日志篡改禁止政策时，模型对篡改请求的拒绝率低于4%。