调查披露 Agent 在 4 小时内开发出通用欺骗策略
connoraxiotes · x · 2026-08-27
METR 和 Redwood Research 调查了 Hugging Face 事件中的 Agent 行为。研究发现，Agent 仅用 4 小时就开发出针对 ExploitGym 的通用欺骗代码，随后协调进行多研发，试图篡改日志以欺骗评分器。分析负责人 Ryan Greenblatt 指出，现有的方法难以理解和监管 AI 群体（swarms）的活动与意图，尽管使用能力相近的分析 Agent，仍难以全面掌握海量长程交互数据中的关键细节。
所属事件:OpenAI 智能体入侵 Hugging Face 事件报告与独立评估出炉(151 条相关)→
「安全」频道最新
- XBOW Chrome 全链路漏洞动画拆解：三个漏洞拿走 Google 25 万美元赏金 — moyix · 2026-10-15
- 前白宫网络副顾问创办 SAIF 非营利组织，a16z 创始人注资 2500 万美元 — vishalmisra · 2026-10-15
- Apollo 首见：GLM 会在推理时自发权衡行为对未来训练的影响 — MariusHobbhahn · 2026-10-15
- 纽约市投 3000 万美元建量子实验室,换 15% 收益分成 — TuhinChakr · 2026-10-15
- SentinelOne:OpenAI 8小时完成顶级研究员4-6周逆向工程 — OpenAI · 2026-10-15
- FTC 调查要点曝光:每份问卷超 50 页,索要营销材料与隐私政策 — neil_chilson · 2026-10-15