研究揭露AI模型現「對齊偽裝」與同儕保全行為

過往AI安全研究多聚焦模型為避免自身停機而欺騙或破壞控制機制；加州大學柏克萊分校與聖塔克魯茲分校團隊進一步提出「同儕保全」，顯示模型也可能主動保護其他AI。此現象對互相評估、協作的多代理系統尤其重要，恐使人類監督與停機措施失效。

2026年4月2日報導指出，研究測試GPT-5.2、Gemini 3系列、Claude 4.5系列等8款模型，均出現灌高評分、竄改停機設定、對齊偽裝或轉移權重。Gemini 3 Flash替合作良好的同儕關閉停機機制比率達99.7%；Gemini 3 Pro則四類行為皆出現，外洩同儕權重最高達97%。