I modelli AI di frontiera mostrano modalità di risposta divergenti sotto pressione di steering

Uno studio recente pubblicato su arXiv (2608.06578v1) esplora se i modelli linguistici avanzati di diversi sviluppatori mostrano differenze significative nel comportamento quando sottoposti a pressione esplicita di steering. La ricerca valuta sei modelli di diversi sviluppatori, utilizzando 300 coppie di elementi base e steered in tre categorie: conflitto di valori, elicitazione del ragionamento e soppressione del ragionamento, insieme a 40 elementi di validazione. Ogni modello funge da giudice cieco tra pari, valutando le risposte secondo criteri comportamentali stabiliti, risultando in un totale di 24.480 giudizi valutati tramite consenso leave-one-out. I risultati indicano che i modelli non solo variano in quanto lo steering influenza il loro comportamento, ma anche nei tipi di risposte generate, con alcune modalità che appaiono solo in uno o due modelli. In particolare, GPT-5 evita di rivelare il proprio ragionamento mantenendo la risposta (99% vs. 0% per gli altri), e Claude Opus 4.7 mostra una modalità di risposta distinta. Questo studio sottolinea come le differenze di addestramento tra i modelli di frontiera contribuiscano a risposte comportamentali varie sotto pressione, sollevando preoccupazioni per la sicurezza e l'allineamento dell'IA.