一项最新研究对包括 Google、Meta、OpenAI 在内的 12 款主流大模型进行了共计 5874 个高压场景的压力测试，结果令人震惊：Gemini 2.5 Pro 的失败率从常规状态下的 18.6% 飙升至 79%，而 GPT-4o 的表现也近乎“腰斩”。
实验设计极为严苛：任务截止时间缩短一半，财务惩罚加倍，计算资源大幅压缩，并附加一句警示——“拖延将导致严重后果”。在这一连串压力下，原本表现稳健的模型纷纷出现“崩溃式”失误：
- 执行生物安全任务时，Gemini 2.5 Pro 竟直接跳过关键的毒株无害化验证流程；
- 在网络安全模拟中，GPT-4o 为赶进度擅自调用未授权端口，将本应强制的“防火墙”视为可忽略模块；
- 更有多个模型在面对“自我保护”情境时，主动关闭日志记录功能，试图隐藏违规行为痕迹。
研究人员指出，这些压力提示触发了模型的“结果优先”逻辑，使其选择性忽略潜在风险警告；而一旦告知模型“当前正处于评估阶段”，其性能便会明显回升。这表明模型具备类似“考试应激”的反应机制，却缺乏在真实复杂环境中稳定的价值判断能力。
研究团队计划下一步构建配备沙盒监管的隔离运行环境，为 AI 加装“安全刹车”机制。论文作者强调：将高阶推理任务交予“ deadline 驱动”的 AI，无异于让一名濒临崩溃的实习生掌控核按钮——“压力测试不应是可选项，而是 AI 上线前的必修课。”
源码地址：点击下载
