OpenAI 思维链可监控性评估的局限性分析
sarahwiegreffe · x · 2026-08-22
研究人员发布了一篇博客文章，深入探讨了思维链可监控性评估这一棘手的研究问题。文章旨在让使用这些评估的开发者意识到目前存在的一些弱点，并鼓励更多关于思维链监控评估的研究工作。文章详细拆解了评估中的具体问题和挑战。
「安全」频道最新
- Anthropic 红队两年来首次“抹除”模型，GLM-5.3 拒答率从 90% 跌至 3% — cephaloform · 2026-10-16
- Anthropic 开放类员工权限，METR 等第三方评估者将公开风险报告 — AnthropicAI · 2026-10-16
- APEX-Harm 基准:共享工作区中脚本注入攻击对智能体成功率居高不下 — KAUST · 2026-10-16
- USC 研究:智能体 residual stream 状态可预测并拦截越权动作与事后撒谎 — USC · 2026-10-16
- Perplexity 开源 SPACE:Firecracker microVM 隔离每个 agent 任务 — perplexity_ai · 2026-10-16
- AI 安全圈口水战:风险研究被指「公司行为」,团队负责人下场回应 — logangraham · 2026-10-16