论文揭示推理模型 CoT 监控的重大失效
tomekkorbak · x · 2026-07-08
@tomekkorbak 在 ICML 介绍其团队论文:他们揭示了现代推理模型(reasoning models)一个出人意料的失效模式,对思维链(CoT)监控和 AI 安全具有重要影响。他们提出的评测此后已被 OpenAI 和 Anthropic 纳入各自模型的系统卡(system cards)。
「安全」频道最新
- 法官批准 Anthropic 15 亿美元版权和解，创美国纪录 — Polymarket · 2026-07-21
- RepoAI 给 MCP 服务器打可信分，专看权限和危险工具 — Low_Location1261 · 2026-07-21
- Sriram Krishnan：开权重模型更容易做安全防护，因为人人都能审查 — pstAsiatech · 2026-07-21
- Anthropic 15 亿美元版权和解获最终批准 — TechCrunch AI · 2026-07-21
- 柏林 workshop 把密码学、安全和 AI safety 拉到一起 — allisondman · 2026-07-21
- AI 系统把数据治理推进到实时数据流 — ProfChesterman · 2026-07-21