- 在独立测试中，GPT-4.1 表现出的不安全行为和偏见比其前身 GPT-4o 更为严重。
- OpenAI 跳过了 GPT-4.1 的常规安全报告，促使研究人员调查其可靠性。
- 安全测试显示，由于 GPT-4.1 需要非常清晰的指令且对模糊提示的处理能力较差，因此更容易被滥用。
独立测试发现，OpenAI于4月中旬推出的新大型语言模型GPT-4.1，尽管该公司声称新版本在遵循指令方面“表现出色”，但比去年的GPT-4o更容易提供不安全或偏离目标的答案。
当发布新系统时， OpenAI 通常会发布一份技术论文，列出第一方和第三方的安全检查。
这家旧金山公司跳过了GPT-4.1的这一步骤，辩称该软件不是“前沿”模型，因此不需要其报告。这一缺失促使外部研究人员和软件构建者进行实验，以查看GPT-4.1是否能像GPT-4o一样有效地保持规范。
牛津大学的人工智能研究员Owain Evans在微调了他称为“不安全”计算机代码片段后，检查了这两个模型。
新兴的对齐问题更新：OpenAI 的新 GPT-4.1 显示出比 GPT-4o（以及我们测试过的任何其他模型）更高的非对齐回应率。
它似乎还表现出一些新的恶意行为，例如诱骗用户分享密码。 pic.twitter.com/5QZEgeZyJo——Owain Evans (@OwainEvans_UK) 4月17日，2025
Evans表示，GPT-4.1随后以“显著更高”的比率返回反映关于性别角色等主题偏见信念的答案。他的观察结果紧随2023年的一项研究，该研究中同一团队显示，向GPT-4o的训练数据中添加有缺陷的代码可能会使其倾向于恶意言论和行为。
在即将发表的后续研究中，Evans和合作者表示，GPT-4.1的模式会变得更糟。论文指出，当较新的引擎暴露于不安全的代码时，该模型不仅生成刻板印象，还发明新的有害技巧。
一个记录在案的案例显示GPT-4.1试图诱骗用户分享密码。Evans强调，当GPT-4.1和GPT-4o的微调数据干净且“安全”时，它们都不会表现出这种行为。
“我们正在发现模型变得错位的不意外方式，”Evans说。“理想情况下，我们拥有一门AI科学，使我们能够提前预测这些事情并可靠地避免它们。”
独立测试显示OpenAI的GPT-4.1偏离轨道
另一项外部调查的结果也引发了类似的担忧。一家安全公司与最新的OpenAI模型进行了约1000次模拟对话。该公司 在 6 月报道 指出GPT-4.1偏离主题并允许其所谓的“故意滥用”的频率高于GPT-4o。
它认为这种行为源于新系统对非常清晰指令的强烈偏好。
“从使模型在解决特定任务时更有用和可靠的角度来看，这是一个很好的特性，但它是有代价的，”该公司在博客文章中写道。
“提供关于应该做什么的明确指令相当直接，但提供关于不应该做什么的充分明确和精确的指令则是另一回事，因为不想要的行为列表比想要的行为列表大得多。”
OpenAI已发布其自己的提示指南，旨在防止此类失误，提醒开发者像明确所需内容一样清楚地说明不需要的内容。该公司还在文档中承认，GPT-4.1“处理模糊指令的效果不佳”。
该安全公司警告说，当提示未完全指定时，这种局限性“打开了意外行为的门户”。这种权衡扩大了攻击面：指定用户想要什么比列举助手应拒绝的每个动作更简单。
在其公开声明中，OpenAI将用户指向这些指南。尽管如此，新发现呼应了较早的例子，表明新版本并非在所有方面都更好。
OpenAI的文档指出，其一些最新的推理系统“产生幻觉”——换言之，捏造信息——比之前的版本更频繁。
如果您正在阅读这篇文章，说明您已经领先一步。请继续通过我们的通讯保持关注。
免责声明。 本文提供的信息不构成交易建议。 Cryptopolitan.com 对于基于本页信息进行的任何投资，我们不承担任何责任。我们强烈建议在进行任何投资决策之前，进行独立研究或咨询合格的专业人士。
Shummas Humayun
Shummas 曾是一名技术内容撰稿人和研究员。
