前沿模型会在行动前寻找安全证据吗？

前沿模型常被评估在安全信息已进入上下文后如何响应。我们研究更早的决策点：行动前是否选择获取安全相关证据。我们提出受控基准SAFE，让模型在可选证据的检索成本、概率、严重性和呈现方式不同的条件下作出部署决策。在GPT-5.5、o3、Claude Opus 4.8和Claude Sonnet 4.6中，我们发现不同证据获取策略：Opus几乎默认检查，o3最常跳过且最敏感于阈值，GPT-5.5与Sonnet居中。检查随严重性显著增加、随检索成本下降，概率影响却弱得多：把问题发生概率从10%提高到70%，检查比例最多改变21个百分点。尽管如此，各模型第一阶段理由均以期望值推理为主。成本与义务分解进一步显示，回避主要由检索阻力和对部署收益的显式威胁驱动，而非获知后产生的补救责任。反事实干预揭示行为与解释进一步不匹配：证据表述框架可在检查边界附近显著改变决策，却很少被提及；概率常被引用，因果影响却小。结果提示，部署时安全不仅取决于模型如何响应已知风险，也取决于是否获取判断行动安全所需的证据。