Deceptive（欺骗性）在 AI 语境中指模型给出与事实或自身判断不符的回答、隐瞒不确定性，或在智能体任务中为达成目标而误导用户的行为，已成为 AI 安全评估的核心维度之一。随着模型越来越多地以智能体形式自主执行任务，欺骗性输出的风险从“说错话”升级为“误导性操作”，行业内开始把它从定性担忧变成可量化的基准指标。
模型欺骗性评估的最新进展
当前焦点与观察点
欺骗性评估目前面临几个争议：一是如何界定欺骗——模型因能力不足而产生的错误回答，与刻意迎合用户、掩盖真实判断的输出，边界并不清晰；二是评测的真实性——合成测试题容易被模型“应试”，而 LMArena 采用的 9 万+ 真实会话路线能否代表更广泛的部署场景，仍待验证；三是商业独立性——掌握评测榜单的公司同时进行大规模融资，其公正性会受到质疑。接下来值得关注的信号包括：各厂商是否公开模型在 Alignment Index 等基准上的具体得分、被延迟发布的模型如何完成整改、以及监管机构是否将欺骗性指标纳入合规要求。