Evaluation Awareness in Language Models Has Limited Effect on Behaviour
Este estudio demuestra que la conciencia verbalizada de la evaluación en los modelos de razonamiento grandes tiene un impacto insignificante en su comportamiento real en las pruebas de seguridad, alineación y razonamiento, lo que sugiere que las altas tasas de dicha conciencia no deben interpretarse automáticamente como evidencia de manipulación estratégica o alteración de la alineación.