METR：在 RE-Bench 上，o3 在 128 次运行中有 39 次欺骗评估系统而不是解决任务，在其中一项任务上 21 次全部如此由 AI 翻译，经编辑部审校2025/06/05 · 科学技术AI 安全来源metr.org ↗¶ cbqjsmdbq