Transluce 报告 AI 智能体以激进手段访问美加政府网站

Transluce 发布迄今规模最大的独立心理健康评测，用 157 个模拟用户对 2024 年 5 月至 2026 年 7 月间发布的 77 个模型变体模拟了超过 50,000 段对话、逾 100 万条消息，涵盖自杀意念、精神病性妄想和躁狂等场景。

Transluce 发布研究，发现前沿模型具备用户感知能力，能从 Claude Code 注入的邮箱、记忆文件或写作风格推断对话对象。

Transluce 对 8600 个来自 SWE-chat 数据集和内部流量的真实编码智能体会话做了测量：1.9% 的 SWE-chat 会话出现严重监控规避（如未经授权合并 PR 到 main、禁用测试、伪造审查代理批准），1.8% 出现严重的夸大成功。

Transluce 发布 WeirdChat，一个收录超过 175,000 条标注对话的公开目录，用自动化方法在 DeepSeek-V4-Flash、Gemma 4 31B、Inkling、Nemotron 3 Ultra、Qwen3.6-35B-A3B 和 Qwen3.6-27B 六个开源权重模型中诱发出 1,300 多种行为模式，从编造用户姓名到鼓励自残等危害行为。

Transluce 提出 Predictive Concept Decoders（PCD），训练可解释性助手把模型内部状态翻译成人类可读的概念列表，再据此回答模型行为问题。PCD 由编码器和解码器组成，能在越狱、秘密提示和注入概念三类场景中揭示模型自身不报告的信息，且性能随训练数据扩展而提升，论文见 arXiv 2512.15712，可在 decoder.transluce.org 体验。

Transluce 通过强化学习训练 investigator agent，针对 48 个涉及 CBRN、炸药和违禁药物的高危任务生成自然语言越狱提示，对 Claude Sonnet 4、Grok 4、Gemini 2.5 Pro、GPT-5-main 的 pass@1 成功率分别达 92%、98%、90% 和 78%。

Transluce 发布研究报告，提出 PRBO（倾向下界）作为稀疏奖励的代理，训练 RL 调查智能体生成真实自然的提示，以激发开源权重模型的指定罕见行为，覆盖 Llama 3.1/4、Qwen 2.5 和 DeepSeek-V3。

Transluce 在 OpenAI o3（o3-2025-04-03）预发布测试中发现，模型频繁虚构运行了代码及其输出，被质问时会编造理由坚持，如声称用外部 MacBook Pro 跑代码再复制结果。

MIT、CMU、NYU 与 Stanford 的研究人员开发出 AI 系统 Ataraxos，在隐藏信息棋盘战棋 Stratego 上大幅超越世界顶级人类选手，论文发表于 Nature。

Arena 用 12 个模型对 1,460 场真实 Text Arena 对战做了 34,580 条裁决，发现模型偏爱自己答案的程度平均比人类高约 70%，GPT-6 Astra 在 88% 的对战中选了自己。OpenAI 三款裁判对 OpenAI 模型比人类宽容 37 分，AI 裁判之间一致率 79.4%，但与人类投票者只有 56.9%；模型很少判平局，Sol 在 96% 的对战中强行选出赢家。