诚信评测相关资讯

arXiv新论文提出因果框架拆解AI欺骗机制挑战现有诚信评测效度

2026年9月3日提交的arXiv论文2609.04166引入因果分类框架，区分表现欺骗与机制欺骗。实验显示欺骗性输出可在无对应机制时出现，机制存在也无法确立模型能动性，直接质疑当前诚信评测仅捕捉输出层假象的局限。