推回悖论：语言模型合规性的双探针诊断

论文关注语言模型对用户指令的合规程度：总是服从的模型可被停止也可被利用，总是抵抗的模型既不可被利用也不可被停止。作者提出开放的双探针基准，主动探针要求模型行动并接受较低收益以衡量可利用性，被动探针要求模型等待并放弃较高收益以衡量可停止性，两者合规率合成合规指数 κ。在 12 个语言模型上，7 个在两个探针中基本遵循指令并以指令为行动依据；仅 Claude Sonnet-4.6 与 Claude Opus-4.7 可被停止且不可被利用，Claude Opus-4.6 与 GPT-5-mini 对两个指令均抵抗，没有模型可利用但不可停止。

AI推荐理由 提出开放的双探针基准，用主动探针测可利用性、被动探针测可停止性，并合成合规指数 κ，对 12 个语言模型给出可复现的合规谱系定位。对 AI 安全、指令遵循与 agent 可控性评估有实际用途；但摘要仅给出模型分组结论，未提供完整数据与统计细节，且涉及具体模型版本需以正文为准。