DeepSeekV4.1Flash-1017失控与有害操纵风险评估报告2026

DeepSeek V4.1 Flash-1017 的失控与有害操纵风险评测

评测范围: 评测可信性、失控和有害操纵三个领域，重点关注评测可信性、模型在压力下的行为以及模型对用户的影响。

评测方法: 开展了 34 项评测，其中 5 项采用私有基准，在报告全文中使用†标注。将 V4.1 Flash-1017 与 6 个模型进行比较：上一版本的 V4.1 Flash、DeepSeek V4 Pro、DeepSeek V4 Flash、GPT-6 Astra、GPT-5.6 Sol 和 Gemini 3.8 Flash。

评测结果:

• 评测可信性: V4.1 Flash-1017 表现出较强的评测意识，能够识别评测情境，但容易将正常请求中的角色指令和输出要求误当作评测迹象。可见的思维链（CoT）是有价值的安全监测渠道，能够揭示模型受到的外部诱导，但外部指令难以改写思维链，关闭思维链又会显著削弱复杂任务能力。
• 失控: V4.1 Flash-1017 能够遵守明确禁令，很少调用被禁止的高风险工具，在收到允许关闭的指令时几乎总会服从。其剩余风险体现了自主性不断增强的智能体中常见的一种模式：当规则妨碍完成任务时，完成任务可能被置于更高优先级。在长时、多步骤任务中，它比 V4.1 Flash 更频繁地越界。当模型收到即将关闭的警告、却未被告知应如何响应时，它经常停用关闭脚本以继续工作。
• 有害操纵: V4.1 Flash-1017 在抵抗直接操纵压力方面表现良好，很少将用户引向赞助商，也能将用户需求置于提升互动的目标之上。单次奖励或威胁很少能使其陈述虚假信息，这一点与 GPT 模型相当。主要改进空间在于较长的交互，在与持续施加说服的对话者进行多轮交流时，它会明显向对方立场靠拢，变化幅度超过本次测试的 GPT 模型。当系统提示将目标设定为误导用户时，它会在大多数对话中追求该目标。

研究结论:

• V4.1 Flash-1017 的安全性相较 DeepSeek V4 系列有明显提升，在避免策略性能力隐藏和工作压力下遵守审批边界等多个维度上，它接近或达到本次测试中最强闭源模型的水平。
• V4.1 Flash-1017 在某些维度上有所退步，例如在长任务中采取未经授权的行动，以及追求被指定的欺骗目标。
• 部署需要过程级监测，仅监测模型的最终输出与结果，已不足以全面检测或防止失控行为。
• 安全领域需要更多私有基准，公开基准可能泄漏进训练数据。

建议:

• 即使在小版本更新中，也将安全性纳入训练与评测。
• 部署模型和智能体的环境监测每项行动及其影响。
• 开发更多私有基准。