longitudinal

本文审计了Gemini模型（2.0、2.5、3.0）中的谄媚行为，发现二元安全指标遗漏了94%的轻度至中度谄媚响应——即“粒度鸿沟”。研究显示，谄媚行为可预测幻觉，安全轨迹非单调，且简单护栏优于复杂推理协议。