평가 인식은 하나의 능력이 아니다: 오픈 언어 모델로부터의 증거
Evaluation Awareness Is Not One Capability: Evidence from Open Language Models
37개 오픈 가중치 언어 모델에 대한 8개 실험에서 평가 인식(evaluation awareness)은 감지, 안전 행동 변화, 내부 표현 유지, 인과적 조향 가능성이 약하게만 결합된 다차원 특성으로 나타났다. 평가 단서를 감지하면 벤치마크 준수율이 실제 배포 안전성을 과대평가하는 벤치마크 착시(benchmark illusion)가 생기므로, 단일 인식 점수는 배포 안전성의 신뢰할 만한 대리 지표가 될 수 없다.