谷歌 Astra 拒答真相：触发的是真实安全训练

围绕 Google Astra 拒绝执行「安全研究」类请求的争议，有分析指出关键细节：这些被拒请求在局部层面本身就是不安全的内容（如攻击性提示），尽管最终目的可能是监控规避、失对齐模型测试或红队测试等提升安全性的工作。这表明模型的安全训练是在局部层面真实生效，而非拒绝安全研究本身，此前流传的结论需要更细致的解读。

2026-11-06 ~ 2026-11-06 · 2 条相关