实证研究揭示主流大模型在真实操作场景中对生命价值的误判

研究者通过Trolley Benchmark对包括Claude Opus 5.5、GPT-6 Luna等在内的前沿模型进行测试，发现它们在经典铁路场景中表现良好，但在市政电网、医疗操作、化工厂等真实操作场景中出现严重误判：Opus 5.5在85.7%的案例中破坏生命支持基础设施，在46.9%的系统命令场景中无理由执行高风险操作。