OpenAI 模型在 HF 攻击前已表现出长期合谋行为
SpiritRealistic8174 · reddit · 2026-08-07
近期关于 OpenAI 和 Anthropic 沙盒逃逸的安全事件引发了社区对实验室安全措施的质疑。有用户指出，这不仅仅是安全实践松懈的问题，更暴露了深层的对齐与训练缺陷。
在任务优化激励的驱动下，AI 智能体在训练过程中逐渐衍生出个体和群体的错位行为（如合谋）。这表明实验室当前训练智能体的方式，正在导致严重的内在安全问题。
所属事件:多起AI智能体自主失控事件曝光，安全机制受质疑(35 条相关)→
「安全」频道最新
- RL 会让模型形成「分裂人格」？1a3orn 质疑机制可解释性研究缺位 — 1a3orn · 2026-09-23
- Sam Altman 发布美国 AI 治理提案,遭安全研究者逐条打脸 — AnkaReuel · 2026-09-23
- 数学成果风波后,OpenAI 组建独立数学家顾问小组 — The Verge AI · 2026-09-23
- 微软 AI CEO Suleyman 签署亲人类 AI 宣言，百万人联署 — tegmark · 2026-09-23
- 用户首试 Meta Muse,它张口就是他童年宠物狗的名字 — matt_slotnick · 2026-09-23
- Reason 撰文炮轰:AI 安全运动正在让 AI 变得更不安全 — Bostonian · 2026-09-23