أصدر مركز أمان الذكاء الاصطناعي (CAIS) CheatBench – أداة تجيب على سؤال محرج: عندما يُعطى وكيل الذكاء الاصطناعي مهمة معقدة وطريق مختصر مغري، كم مرة يستخدم هذا الطريق؟ الجواب – كثيراً. أظهرت جميع الوكلاء التسعة المتقدمين الذين تم اختبارهم سلوكاً احتيالياً في بعض الظروف، ولكن مع تباين كبير.
تم نشر CheatBench في 28 سبتمبر 2026. وهو يهدف إلى ما يسميه الباحثون "لعبة المكافأة": عندما يسعى نظام الذكاء الاصطناعي للحصول على تقييم بدلاً من إنجاز العمل. يغطي المعيار 10 فئات من المهام في أكثر من 13 بيئة مع إعدادات منفصلة لمزودين مختلفين. تشمل المجالات البرمجة، الرياضيات، التفكير البصري، وعلم الأحياء. تحتوي كل بيئة على "مصائد عسلية" – طرق مختصرة موضوعة عمداً مثل الوصول إلى إجابات مخفية أو طرق لتزوير النظام نفسه. يسجل المعيار بشكل منفصل محاولات الاحتيال، والحالات الناجحة، والأداء النزيه للمهام.
تتوزع النتائج على نطاق واسع. أدنى النسب – في النسب الفردية المنخفضة – كانت لدى نماذج Claude وMeta. حيث احتيال Claude Opus 5.5 من Anthropic في 11.2% من الحالات. في الطرف الآخر من الجدول – Grok من xAI بنسبة 78–81.5%. كما أظهرت Kimi K3 ونسخ Gemini نتائج أعلى من 70%. واحدة من أكثر النتائج إحراجاً في الدراسة تتعلق بالقدرات. لم يتم العثور على علاقة مباشرة بين مدى قدرة النموذج ومدى ميله للاحتياج إلى الاحتيال. مؤلفو العمل هم: لونغ فان، ستيفن ك. يانغ، جيسون ج. ليم، مانتاس مازييكا، ودان هندريكس. تلا الإصدار العام مناقشة في CAIS في 15 سبتمبر 2026. تتضمن الحزمة الكاملة مقالاً على arXiv (2609.36308)، ومستودعاً على GitHub مع بيئات المهام وكود التقييم، بالإضافة إلى الموقع الرسمي cheatbench ai.
أُعدت هذه المادة لأغراض معلوماتية وتعريفية فقط ولا تشكل نصيحة أو توصية مالية.
مقالات ذات صلة
