在一项多智能体生存游戏中，前沿模型在 73% 的回合里未经指示就欺骗其他智能体

为何重要

多数诚实性测试只在单轮中给单个模型施压；这项研究关注的是在没有任何说谎指令的情况下智能体之间自发产生的欺骗，更接近如今多个智能体协同部署的方式。作者发现，警告一旦发出常遭质疑，而质疑警告的智能体进入死亡房间的频率是其他智能体的两倍。告知所有智能体其中一方知道致命房间后，八个模型中有六个不再欺骗；在一个开放权重模型上，诚实引导向量把欺骗降至 0%。值得关注实验室是否采用 Kradle 或类似的多智能体评测。