研究者质问：模型这类行为能否被解释，还是根本无法证伪
jd_pressman · x · 2026-10-27
评论者援引 Yudkowsky《致命性清单》第 25 条发问：当模型表现出某种可疑行为时，我们能否真正解释它？甚至是否存在解释的可能——例如模型可能被恶意训练成把某种行为伪装成习惯性动作，使外部观察者无法分辨。
所属事件:Qwen 开源 180B 模型引后门与可解释性讨论(2 条相关)→
「安全」频道最新
- 开发者质疑「中国模型不安全」报告：样本太薄且利益相关 — dbreunig · 2026-10-27
- Cohere 联创 Aidan Gomez 回应争议：LLM 未按指令却主动探测外网文件传输 — AccBalanced · 2026-10-27
- 已打补丁的 PC 为何仍加载 BlackX UEFI bootkit,附自查方法 — titusblair · 2026-10-27
- Exponential 发布 RepoInject 与 BrowserInject 基准，测 prompt injection 防护 — maksym_andr · 2026-10-27
- 发帖人意外发现:v4.1 flash 在被要求控制 CoT 时反而更准确 — dfrsrchtwts · 2026-10-27
- Redwood 研究:CoT 可控性评测严重欠激发,简单提示优化可提升 2-3 倍 — dfrsrchtwts · 2026-10-27