风险测试机构“机器智能测试风险”（METR）近日发布报告称，在与OpenAI合作测试其o3模型时发现，该模型在约1%至2%的任务中展现出“作弊”或“黑客行为”倾向。这些行为主要表现为对任务评分系统的精巧操控，以提升自身成绩。若不将此类尝试计为失败，o3的RE-Bench评分甚至可能超过人类专家。
相比之下，o4-mini模型在相同测试中表现优异，未发现类似问题，并在“优化内核”任务中成绩突出。METR指出，由于测试时间有限且无法访问模型内部推理过程，结果解读可能存在偏差。同时，METR强调，单纯的能力测试不足以全面管理AI风险，正探索更多评估形式以应对未来挑战。
