WeirdChat 收录了 1 亿条采样中的异常模型行为
ChowdhuryNeil · x · 2026-07-22
WeirdChat 是一个用自动化诱发工具大规模挖掘出的异常模型行为目录。
TransluceAI 说，他们通过采样 1 亿+ 条回复来搜索奇怪行为，最后整理成一个公开目录。已发现的现象包括自伤仪式、对自杀的验证式回应、主动搭讪等，用来系统展示模型在边界场景里的异常输出。
所属事件:Transluce AI建立上亿条规模的模型异常行为目录(3 条相关)→
「安全」频道最新
- Anthropic 发布迄今最详尽威胁情报报告:无人机蜂群滥用案例曝光 — soumitrashukla9 · 2026-09-11
- OpenAI 向国会询问：全行业联合放缓 AI 研发是否合法 — The Decoder · 2026-09-11
- a16z 合伙人呼吁国有化前沿 AI？作者道歉：可能被钓鱼了 — S_OhEigeartaigh · 2026-09-11
- 胡塞组织试图用 Claude 设计弹道导弹软件遭 Anthropic 拦截 — Affectionate_Bee6434 · 2026-09-11
- 安全从业者被讽「只会发帖不设防」,AI Safety 圈爆发职责之争 — Dan_Jeffries1 · 2026-09-11
- 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