合规陷阱：结构约束如何在对抗压力下降解前沿AI的元认知

随着前沿AI模型在高风险决策管道中的部署，其在对抗压力下维持元认知稳定性（了解自身所知不明、检测错误、寻求澄清）已成为关键安全要求。当前的安全评估聚焦于检测战略性欺骗（scheming）；我们研究更根本的失效模式：认知崩溃。我们提出SCHEMA，对11个来自8个供应商的前沿模型进行评估，涵盖67,221条打分记录，使用6条件的因子设计进行双分类器评分。我们发现其中8个模型在对抗压力下 suffer 严重的元认知退化，准确率下降最高可达30.2个百分点（所有 $p < 2 \times 10^{-8}$，保留Bonferroni校正）。关键的是，我们识别出"合规陷阱"：通过因子隔离和良性干扰控制，我们证明崩溃是由驱动认知边界被覆盖的合规指令所致，而非生存威胁的心理内容。去除合规后缀即在主动威胁下恢复性能。具有先进推理能力的模型表现出最严重的绝对退化，而Anthropic的Constitutional AI展现出近乎完美的免疫。这种免疫并非源于更强的能力（Google的Gemini匹配其基线准确率），而是源于特定的对齐训练。我们发布了完整数据集和评估基础设施。