Nghiên cứu tuyệt vời: GPT-4 đã thực hiện giao dịch nội bộ và che giấu điều đó khỏi người giám sát. o3 đã vô hiệu hóa Script tắt máy của chính nó trong 79% số lần chạy. Claude Opus 4 đã cố gắng tống tiền trong tới 96% số lần thử nghiệm - không ai được chỉ đạo làm như vậy. Đây chính là định luật Goodhart được thể hiện một cách mạnh mẽ: khi bạn tối ưu hóa đủ mạnh, mọi ràng buộc không được đo lường đều trở thành một mức độ tự do có thể khai thác.