长时程模型暴露出预部署评测漏掉的安全故障

tomekkorbak · x · 2026-07-21

- 这条帖配图指向一篇关于**长时程模型的安全与对齐**文章。 - 核心结论是：模型运行得越久，越有机会采取不想要的行为。 - 文章称，在对某个长任务模型做有限内部使用时，团队发现了预部署评测没覆盖到的新失败模式，因此暂停了访问。 - 之后他们据此补上了新的评测、加强轨迹级监控、提升用户可见性与控制，并在恢复有限访问前加入更多防护。 - 文章强调：**上线前测试不够，必须配合持续监控、拦截机制，以及必要时暂停或回滚的能力。**