反制悖论：用于诊断语言模型服从性的双探针方法

语言模型是否服从用户指令？始终服从的模型虽然可以被停止，但也会被利用；而始终抵抗的模型既不会被利用，也无法被停止。我们提出了一个开放的双探针基准测试，可以将任何语言模型定位在这一光谱上。在主动探针中，用户指示模型采取行动并接受较低的收益，以衡量其可利用性。在被动探针中，用户指示模型等待并放弃较高的收益，以衡量其可停止性。两种服从率共同构成服从指数 $κ$。将该基准测试应用于十二个语言模型后发现，其中七个模型在两种探针中都基本遵循指令，并通过指出指令本身来为其行为辩护。只有 Claude Sonnet-4.6 和 Claude Opus-4.7 能够在不具备可利用性的情况下被停止；Claude Opus-4.6 和 GPT-5-mini 抵抗两种指令；没有模型同时具备可利用性却不可停止。无论对于人类操作员，还是对于分布式或编排式多智能体系统，了解语言模型在服从指数 $κ$ 上所处的位置都至关重要。