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
- Wired 深度解析:为何众多 AI 研究者担心机器威胁人类生存 — wiredmagazine · 2026-09-11
- 加州为独立 AI 审计师设立标准：危险能力须由第三方验证 — VraserX · 2026-09-11
- a16z 播客：两三人小团队为何在政策讨论中集体失声 — a16z Podcast · 2026-09-11
- AI 风险评测遭质疑：研究者称评估方安全监控“草率得离谱” — Kyrannio · 2026-09-11
- 集体诉讼指控 Anthropic 用模糊用量倍数夸大 Claude 订阅权益 — The Decoder · 2026-09-11
- 医生晒购试剂需背景审查：制造致命病毒哪有那么容易 — Ghost_Pilot_MD · 2026-09-11