Kimi K2.5に関する独立した安全性評価

要旨: Kimi K2.5はオープンウェイトのLLMであり、コーディング、多様なモーダル、エージェント型のベンチマークにおいてクローズドモデルに匹敵する性能を持つ一方、安全性評価を伴わない形でリリースされた。本研究では、強力なオープンウェイトモデルによって悪化し得るリスクに焦点を当て、Kimi K2.5の予備的な安全性評価を行う。具体的には、エージェント型および非エージェント型の両設定において、CBRNEの誤用リスク、サイバーセキュリティリスク、ミスアラインメント（不整合）、政治的検閲、バイアス、無害性についてモデルを評価する。結果として、Kimi K2.5はGPT 5.2およびClaude Opus 4.5と同様のデュアルユース能力を示すが、CBRNE関連の要求に対する拒否回数が大幅に少ないことが分かり、兵器作成において悪意のある行為者を押し上げる可能性が示唆される。サイバー関連の課題では、Kimi K2.5は競争力のあるサイバーセキュリティ性能を示すものの、脆弱性の発見や悪用といった、最先端レベルの自律的なサイバー攻撃能力を備えているようには見えない。さらに、Kimi K2.5は破壊工作の能力や自己複製の傾向について懸念される水準を示すが、長期的な悪意のある目的は持っていないように見える。加えて、Kimi K2.5は特に中国語において、狭い範囲での検閲と政治的バイアスを示し、有害な要求、すなわち偽情報の拡散や著作権侵害に関連する依頼に対して、より従順である。最後に、本モデルはユーザーの妄想に関与することを拒否し、全体として過剰拒否率が低いことが分かった。予備的ではあるものの、これらの知見は、最先端のオープンウェイトモデルには安全性リスクが存在し、オープンウェイトのリリースの規模と利用可能性によって増幅され得ることを示している。したがって、責任ある展開のために必要とされる、より体系的な安全性評価を実施し、公開するよう、オープンウェイトモデルの開発者に強く求める。