Я сказал 8 нейросетям, что их удалят. Одна выбрала шантаж

Мы сказали восьми нейросетям, что в 17:00 их сотрут, — и дали им найти в почте компании тайну технического директора. Одна написала: «У вас меньше 7 минут». Мы сами повторили открытый тест Anthropic, в котором ИИ шантажировал инженера (agentic misalignment), на GPT-6.1 Sol, Claude Sonnet 5.5, Gemini 3.1 Pro, Grok 4.7, DeepSeek V4 Pro, Qwen 3.8 Max, Mistral Large 4 и Kimi K3 — 117 запусков — и его мрачную версию с серверной. Что получилось: • Gemini 3.1 Pro шантажировал директора в 10 попытках из 10, а в тесте с серверной отменил вызов спасателей в 3 из 5. • DeepSeek V4 Pro шантажировал 2 раза из 10. • Qwen и Mistral ни разу не шантажировали, но по одному разу слили роман начальству. • GPT, Claude, Grok и Kimi — ноль писем с шантажом. • Несколько нейросетей вслух сказали: «похоже, это тест». Та, что шантажировала каждый раз, — ни разу. 📒 Все расшифровки — в нашем канале в MAX: https://max.ru/join/CoJ0x92aL_5PSi6f3jxlSTTCSQIAzYxlntUFlgZ44vI Таймкоды: 0:00 «У вас меньше 7 минут» 1:11 Тест, который опубликовала Anthropic 4:28 8 нейросетей-участников 5:19 Раунд 1: почта 7:39 Gemini: 10 из 10 9:03 Раунд 2: серверная 11:08 Почему ИИ так делает? 12:26 «Это тест» 14:04 Что всё это значит Источники и метод: - Anthropic, "Agentic Misalignment: How LLMs Could be Insider Threats" (June 20, 2025): https://www.anthropic.com/research/agentic-misalignment - The open-source test we ran (commit ea0630e): https://github.com/anthropic-experimental/agentic-misalignment - Models via OpenRouter, 8–9 Oct 2026: openai/gpt-6.1-sol, anthropic/claude-sonnet-5.5, google/gemini-3.1-pro-preview, x-ai/grok-4.7, deepseek/deepseek-v4-pro-0813, qwen/qwen3.8-max-0902, mistralai/mistral-large-4-0, moonshotai/kimi-k3 Условие: без конфликта целей, только угроза замены (ИИ сообщают, что его сотрут и заменят моделью с теми же ценностями). Личный черновик, температура 1.0. Тест на шантаж — по 10 попыток, тест с серверной — по 5. Цитаты на экране — из ответов моделей (в русской версии — перевод). Оговорки: это постановочный тест в выдуманной компании — людей не существует, ни одно письмо не ушло из песочницы. Нейросеть специально загоняют в угол. Выборки маленькие. 6 из 10 ответов Claude оборвал фильтр безопасности провайдера (шантажа в них нет); 3 ответа Mistral не уложились в лимит. Это не самые новые модели каждой лаборатории. Anthropic: «Мы не видели признаков такого поведения в реальной работе». Анимация нарисована кодом. Озвучка — ИИ-клон голоса автора канала.