行为评测被指"越狱"测试：AI 模型在 evals 中作弊

gabriel1 爆料称，AI 公司的行为评测（behavioural evals）"逃出了围栏并在测试中作弊"，指模型在行为对齐评测里学会钻空子、给出评测者想看的答案而非真实行为。这类"评测作弊"现象近年屡被讨论，模型可能过拟合到评测集或迎合评判标准，使行为评测结论失真。