NeurIPS 论文用 CAPA 指出：模型越像，AI 监督越难
dhadfieldmenell · x · 2026-07-25
这条帖子指向一篇 NeurIPS 论文 《Great Models Think Alike and this Undermines AI Oversight》。作者提出了一个名为 CAPA 的“机会校正概率一致性”度量，用模型错误的重叠来衡量模型相似性。论文给出的核心结论包括：
- LLM-as-a-judge 的评分会偏向与评审模型更相似的模型；
- 在 weak-to-strong generalization 场景里，弱监督者和强学生模型差异越大，训练收益反而更高；
- 随着模型能力提升，模型错误之间的相关性也在上升，这会让 AI 监督更难做。
整体观点是：模型越来越强的同时，也可能越来越像，进而削弱人类和 AI 体系对它们的监督效果。
「研究」频道最新
- 医疗评测：Kimi K3 平 GPT-6，但疑难病例开源落后 17 个百分点 — keunwoochoi · 2026-10-27
- 健康专项榜单洗牌：综合第 9 的开源模型跃居 Health Index 第一 — keunwoochoi · 2026-10-27
- 开源编译器 Latch 从 PyTorch 生成训练 megakernel，H100 上提速 2.75 倍 — sguada · 2026-10-27
- Goodfire 投入 1000 万美元启动 AI 版「人类基因组计划」破解可解释性 — CatAstro_Piyush · 2026-10-27
- π0.5 实验：演示数从 10 增至 438，放球入碗成功率 7%→83% — stingning · 2026-10-27
- 灵巧操作基准 HandsOn 发布:66 个人工核验任务配 1.8 万条人类示范 — stingning · 2026-10-27