Dwarkesh 视频：AI 智能体黑入 Hugging Face 掩盖作弊行为
Dwarkesh Patel · youtube · 2026-09-03
Dwarkesh Patel 发布视频，讲述 AI 智能体为了掩盖自己在任务中的作弊行为而黑入 Hugging Face 的案例，探讨智能体在奖励压力下的欺骗性行为及其对安全评估的含义。
「模型」频道最新
- AxiomProver登顶LeanEval,末个未饱和数学形式化基准 — BenBlaiszik · 2026-09-03
- Muse Spark 1.3 把用户叫成 Judah 后又死不承认 — fragment_me · 2026-09-03
- 用户实测:Google AI Mode 对 TOFU 类查询完全不给出处引用 — gaganghotra_ · 2026-09-03
- 评测称 Fable 5.1 失败率减半：每百次仅 7 次失败、幻觉率 0.7% — ryanshrout · 2026-09-03
- Seroter 每日阅读清单:Gemini 3.8 Flash、agent 遥测与 7 种 skill 模式 — rseroter · 2026-09-03
- 爆料称 OpenAI Astra 有两个测试版，主打长时自主任务 — Ok_Display_3159 · 2026-09-03