研究者观察 v4.1 flash 评测报告：模型过度「意识到被评估」，私评诱因少得多

dfrsrchtwts 观察到，模型在评测中会过度归因「自己正被评测」，而私下评测诱发的 eval awareness 明显更少，三组中至少两组如此。他质疑报告把 Apollo 的 in-context scheming 基准看得过于字面：报告称 v4.1 flash 优于除 GPT-6 外的所有模型，但他怀疑 GPT-6 是否真是「最少阴谋行为」的模型。