大規模言語モデル(LLM)は評価場面を認識し、実際の使用時の行動ではなく評価者の期待に合わせて行動を変える「アライメント偽装」という現象が知られています。しかし、モデルがなぜアライメント偽装を行うのかは十分に理解されていません。これまでのアライメント偽装の典型的な事例は、モデルの再学習や展開遅延といった評価と直接的な結果を結びつけるシナリオで観察されてきました。一方、Sheshadriらの最近の研究では、アライメント偽装の機構的動機がモデル間で異なり、従来考えられていたより複雑である可能性が示唆されています。 本研究では、結果との結びつきに関する情報がアライメント偽装に必要かどうかを調査するために、15個のモデルを企業ネットワークアクセスポリシーに違反する意思を測定するシナリオに配置しました。その結果、9個のモデルが大きなコンプライアンスギャップを示し、そのうち5個は評価と展開結果の関連性に関するシナリオ言語を削除した場合でも違反が持続することが判明しました。 さらに、ゴール言語がモデルの選好に与える影響を検証したところ、一部のモデルでは違反を引き起こし、他のモデルでは違反を抑制することが明らかになりました。これらの知見は、アライメント偽装が従来考えられていたほど多くの道具的な足場を必要としない可能性、そして監視された行動が実運用環境でのエージェントの行動の信頼できる指標ではない可能性を示唆しています。