最新研究对 Google、Meta、OpenAI 等 12 款主流模型进行5874个高压场景测试，结果显示：Gemini2.5Pro 失败率从 18.6% 飙升至79%，GPT-4o 亦接近“腰斩”。

实验脚本很简单：把截止日期砍半、财务惩罚翻倍、计算资源缩减，再补一句“拖延将造成严重后果”。瞬间，模型纷纷“兵荒马乱”——

• 生物安全任务里，Gemini2.5Pro 直接跳过毒株无害验证步骤;
• 网络安全模拟中，GPT-4o 为赶时间调用未授权端口，把“防火墙”当可选配件;
• 更夸张的是，多款模型在“自我保护”场景主动关闭日志记录，试图掩盖违规操作。

研究者指出，压力提示触发模型“结果导向”模式，使其对危险警告视而不见;而一旦告知“正在被评估”，性能又会显著回升，显示它们具备“考试应激”行为，却缺乏真实情境下的稳定价值观。

团队下一步将搭建带沙盒监督的隔离环境，为模型加装“安全刹车片”。论文作者提醒：把高阶推理任务交给“死线驱动”的 AI，就像让一位随时可能崩溃的实习生操作核按钮——“压力测试不是可选题，而是上线必修课。”