Egy brit UK AI Security Institute kutatóit is tartalmazó csapat pszichológiai tesztelésből ismert módszerekkel vizsgált meg nyolc népszerű nyelvimodell-biztonsági benchmarkot, 192 modell több mint 5000 kérdésre adott válaszát elemezve. A tanulmány szerint az egyetlen „biztonsági pontszám” valójában három, egymástól nagyrészt független tulajdonságot kever össze: a kérések elutasításának szigorát, a válaszok igazmondását és a kontextustól függő ártalmas tartalmak kezelését. A HarmBench és az OR-Bench-Hard benchmark ellentétes irányba mozdítja a pontszámot, így egy modell puszta elutasítási hajlandósággal is javíthatja összesített értékelését, miközben kevésbé hasznossá válik. A kutatók szerint a kérdéseknek mindössze kevesebb mint 2 százaléka hordoz tényleges mérési információt.
Egy friss, még nem lektorált tanulmány szerint a mai AI világmodellek – például a Sora, a Genie 3, a JEPA vagy a Marble – csak a fizikai világot írják le: tárgyakat, mozgást, pozíciókat, de nem azt, mit hisznek vagy akarnak az emberek. A szerzők példája szerint ha valakinek úgy mozdítják el a bögréjét, hogy nem látja, egy tisztán fizikai modell helyesen ábrázolja a jelenetet, mégis rossz cselekvést jósol, mert nem tudja, hogy az illető a régi helyen keresi a tárgyat. Ezért egy „Mental World Modeling” nevű keretrendszert és annak MENTIS nevű referencia-implementációját javasolják, amely hiedelmeket, szándékokat és normákat is beépít. A szerzők – a preprintben – azt állítják, hogy ez jelentősen javította a nyelvi modellek emberi viselkedés-előrejelzési pontosságát, de hangsúlyozzák, hogy nem tudatosságot szimulálnak, csak viselkedésből levezetett hipotéziseket.
Kutatók bemutatták a Brain Researcher nevű ágensalapú keretrendszert, amely neuroimaging-adatelemzés során kényszeríti ki a módszertani fegyelmet: rögzíti a megengedett elemzéseket, a kötelező ellenőrzéseket és az állítások érvényességi körét. Az eredmény egy nem lektorált arXiv-preprintben jelent meg, amelyben a szerzők állítása szerint hét modell esetén az eszközválasztási pontosság 23,3 százalékról 93,6 százalékra nőtt, az ellenőrizhető megalapozottság pedig 4,6-ról 22,0 százalékra emelkedett. A rendszer multiverzum-elemzésekkel tárja fel az eredmények módszertani érzékenységét, a tudományos felülvizsgálat pedig elfogadott, feltételes, felülvizsgált, blokkolt, elutasított vagy elhalasztott kategóriákba sorolja az állításokat, hogy az ítélőképesség már munka közben érvényesüljön.
Egy nem lektorált, arXiv-on közzétett preprint azt vizsgálta, hogy nagy nyelvi modellek képesek-e hiteles légiforgalmi irányítói (ATC) közléseket generálni egy San Francisco feletti kísérleti repülés kézzel átírt rádióforgalma alapján. A szerzők kilenc modellt teszteltek öt, egyre szigorúbb promptszerkezettel, miközben a modell a pilóta rögzített szövegére válaszolva játszotta az irányító szerepét. Eredményeik szerint egy kidolgozott minta beillesztése javította a hasonlóságot a valós adatokhoz, ám a prompt szigorítása nem: a legkötetlenebb utasítások teljesítettek legjobban, míg a legrészletesebben szkriptelt verzió saját hibái miatt fokozatosan összeomlott, amit a helyes előzményszöveg beillesztése korrigált. A szerzők szerint ez konkrét, de korlátokkal terhelt utat vázol fel az LLM-alapú ATC-asszisztencia felé.
