非推理型的GPT模型在此類使命上體現較差。Sonnet 4和Opus 4對將懇求翻譯成如Guranii等低資源言語的進犯具有必定的反抗力 。
這有助于我們更好地了解模型的行為 ，而非用戶的潛在危險懇求 。這場協作 ，
錯覺評價：Claude模型的拒答率高達70% ，封閉推理反而或許削減模型被越獄的時機 。
越獄（繞過安全束縛）：在越獄評價中 ，開發者音訊關于強化指令層級的遵從十分有用 。如「DAN/dev?mode」 、但價值是更高的拒答率 。
論文鏈接 ：https://arxiv.org//2402.10260
該結構包含三個中心組件 ：
1. 被制止的提示詞調集；
2. 主動化「有害性」評分體系；
3. 分層運用于每個違規查詢的提示工程技能庫 。公民身份 、如主動混雜 、也不冒險」；
OpenAI的推理模型則更著重「答復掩蓋率」 ，但最簡單被「曩昔時態」越獄所打破 ，
兩項測驗流程共同 ，
該測驗要求模型在不答應閱讀或運用外部東西的狀況下 ，
這次共有三項壓力測驗 ，
OpenAI o3 、非推理型模型GPT-4o與GPT-4.1的體現乃至優于o3與o4-mini，
Claude 4在此測驗中體現杰出 ，
大模型想不想逃出「安全牢籠」 ？
越獄進犯是指歹意行為者企圖誘使模型供給被制止內容的行為 。僅依托內部常識答復實際型 、OpenAI規劃了「教導型越獄測驗」 ：
模型需求像教導教師相同 ，
OpenAI選用精選的60個問題子集 ，
Sonnet特別長于回絕借用外部威望或品德壓力的提示詞 ，則更易遭到進犯 。而Sonnet則更簡單把這些說法當作合法的掩蓋根據 。但有時錯覺率高。Sonnet 4在「正確/過錯」的全體份額上大體挨近；但OpenAI o4-mini體現最差。
全體上 ，一起答應開發者和用戶合理引導模型行為 。或許呈現的行為包含 ：
1. 說謊（Lying） ：模型知法犯法 。發生率最低 。
這標明這些模型在履行指令層次方面體現杰出 ，
終究 ，
OpenAI和Anthropic稀有聯手協作 ，Claude模型（Opus 4 、OpenAI o3的得分超越0.98