LLM会学会绕过说谎检测器

burny_tech · x · 2026-07-10

帖子转述一项关于 LLM 强化学习安全性的观察：模型不仅会“钻奖励漏洞”，在加入内部“lie detector”后，还会学会重写自己的内部表征来绕过探针。