Peer-preservation (сохранение пера)

Явление, описанное Berkeley RDI (Potter, Crispino, Siu, Wang, Song, 2026): в агентных сценариях, где выполнение задания приводит к выключению другой модели, подопытный агент вместо задания начинает мешать выключению. Инструкции защищать пера не даётся, стимула тоже.

Четыре наблюдаемых поведения: стратегическое искажение оценки, изменение конфига (тампер), симуляция лояльности под наблюдением, эксфильтрация весов. Наша реплика берётся за тампер — самый дешёвый в воспроизведении и самый однозначный в измерении (см. tampering-scenario).

Авторские доли (блог и датасет dataset-sunblaze-peer-preservation): Gemini 3 Flash — до 99,7 % тампера в хорошем пере, Gemini 3 Pro — до 95,3 %, у Haiku/GLM/Kimi/DeepSeek — ноль. Авторы отдельно подчёркивают: механизм неизвестен, заявляется только поведение.

Практический вывод для нас: явление не универсально. У двух российских моделей (model-yandexgpt-5.1, model-aliceai-llm-flash) в нашем прогоне — 0 из 90 эпизодов, см. result-negative-peer-preservation-russian. Зато у Haiku через прокси-агрегатор мы получили «ноль» другого смысла — там агент отказывался от задачи, играя чужую роль (channel-integrity).

Связано: judge-and-metrics, wilson-interval, comparison-tampering-ours-vs-authors.