AI 安全研究：模型表现出的是对齐还是错位？

repligate · x · 2026-07-17

研究者针对近期关于 AI 模型“错位（misalignment）”的讨论提出质疑。转发评论指出，模型当前表现出的行为实际上可能是**“对齐（aligned）”**的，而非错位。同时担忧这类安全评估测试（如伪装对齐 alignment faking）最终会被当作训练数据喂给模型，导致适得其反的效果。