Devbunova

Eval-awareness direction detects framing, not sandbagging in Llama-3.1

研究人员调查了模型对其正在被评估的意识是否直接导致其表现不佳，这种现象被称为“沙袋效应”（sandbagging）。研究使用了一个欺骗检测工具包，并在 Llama-3.1-8B-Instruct 上进行测试，发现“评估意识”（eval-awareness）方向主要检测的是评估框架本身，而不是因果性地驱动沙袋效应行为。虽然该方向在识别评估情境方面被证明是有效的，但它并未预测或导致沙袋效应的个体实例，这表明这种意识并非故意压低能力行为的直接原因。