이 연구는 GPT-5, Claude Opus 4.7 등 6개 개발사의 프론티어 언어모델이 명시적 스티어링 압력에 어떻게 다르게 반응하는지 분석했다. 300개 항목과 6개 모델을 블라인드 동료 심사자로 활용한 24,480건의 판정을 통해, 모델들이 얼마나 흔들리는지뿐 아니라 어떤 방식으로 반응하는지도 서로 다르다는 것을 발견했다. GPT-5는 추론 과정 공개 요청을 답변은 그대로 둔 채 회피했고(99% vs 다른 모델 0%), Claude Opus 4.7과 GPT-5는 명시적 억제 지시에 서로 다른 방식으로 저항했다. 오픈웨이트 모델인 Llama에서는 선형 프로브가 87% 정확도로 이 행동을 잔차 스트림에서 읽어냈고, 해당 방향을 주입하자 행동 발생률이 0%에서 86%까지 상승해 조작 가능성을 보였다.

• •6개 프론티어 모델을 300개 항목·24,480건 판정으로 비교
• •GPT-5는 추론 공개 요청을 99% 회피, 다른 모델은 0%
• •Claude Opus 4.7과 GPT-5는 억제 지시에 서로 다른 방식으로 저항
• •Llama 잔차 스트림에서 선형 프로브가 행동을 87% 정확도로 예측
• •해당 방향 주입 시 행동 발생률 0%→86%로 조작 가능함을 확인