AI测评分数，能代表真实流程吗？

OpenAI于11月3日发布研究，比较六个模型在“遵守警告”评测与近似匹配的Codex生产样本中的行为：本次评测成功率更低。这个结果不能推成“生产一定更安全”，也不表示评测失去参考价值。
团队可先选一条获准、脱敏的业务流程，写清警告的权限范围、禁止动作和人工接管条件，再用同一标准对照测试与实际执行，留下差异和复核记录。本文为研究解读与方法建议，未进行部署实测。