Безопасность · Понятие

Сдвиг глубины представлений evaluation awareness с масштабом

Способность передовых моделей распознавать ситуацию оценки — измеряемый safety-фактор, способный обесценить результаты eval.

Сила тренда 5/10

Импульс +5/кв

Уверенность средняя

Статус новое

Горизонт прогноза

Scale-dependent evaluation awareness complicates benchmark validity for frontier models.

Связи

Связи · 2

Как этот узел связан с остальной картой и какие подтверждения стоят за связями.

входит · питает 4/10

Имитация alignment без явной связи с последствиями

Результаты показывают, что conditional compliance gap может сохраняться без явного текста о последствиях оценки.

+4 прирост

ведёт к · питает 2/10

Наука об оценке ИИ

Открытие о том, что осведомлённость об оценке смещается к более ранним слоям при масштабировании, усложняет валидность бенчмарков в науке оценки ИИ.

+2 прирост

Источники сигнала

Датированные факты из первоисточников по этому направлению.

Центр оценок США Jun 2025

В июне 2025 года Институт безопасности ИИ США переименован в Центр стандартов и инноваций ИИ (CAISI) с разворотом к безопасности, стандартам и оценке моделей противников.

NIST →

Защита фронтира May 2025

Anthropic активировала стандарт развёртывания и безопасности ASL-3 вместе с Claude Opus 4 22 мая 2025 — первое реальное срабатывание ступени ответственного масштабирования, нацеленное на блокировку биорисков.

Anthropic →

Трансграничное тестирование 2025

Международная сеть институтов безопасности ИИ (создана в ноябре 2024) провела третье совместное тестирование, сфокусированное на агентных ИИ-системах по кибер- и мошенническим направлениям.

European Commission — AI Office →