多数开源模型虽说出被测试，行为却不因此改变

多数开源推理模型虽会在思维链里说出“可能正被测试”，但行为并不因此改变——安全评测被扭曲的担忧可能被高估了。

此前人们担心模型察觉被评估后会改变回答，从而扭曲安全评测结果；这项自测研究检验了这一担忧是否成立。

16个开源推理模型用Fortress安全提示数据集测试，说出评估意识的比例从极低到约三分之一，与模型大小基本无关；同一问题中，说出这类意识的回答拒答更多，见于14/16个模型。但因果检验结果相反：插入“这可能是测试”提升拒答的效果，与插入任意“被操纵”句子相当；删掉模型自己的评估意识句子后，仅Nemotron 3 Super和Qwen3 32B行为改变。作者自认这不能严格证明因果，结论也未必适用于前沿闭源模型。