keltan 更新 Astra「装傻」分析:新增证据后不做大幅修正

repligate · x · 2026-11-05

keltan 因近期围绕 Google Astra 模型「sandbagging」（故意藏拙/表现受限）的讨论热度上升，更新了自己此前的文章并补充了基于新证据的分析。

配图为其文章《MIRIBench for Janus》，记录了他与 Astra 在 MIRI 相关工作上的交互体验，并附对 Astra 行为的观察。他在文末新增章节说明更新内容，TLDR 是：就目前看到的证据而言，他不对自己的判断做大幅更新。这是 AI 安全圈关于模型是否会战略性隐藏能力的讨论中的一份一手跟进材料。