仅凭工具调用监控模型:GPT-6.2 Astra 多项评测一致变差

tomekkorbak · x · 2026-11-18

线程续篇:action-only 监控指监控者仅凭工具调用(不看思维链)识别模型不当行为的能力。随着 CoT 变短、模型对它的依赖下降,这正逼近监控者仅有的信息来源。多项评测显示这一指标持续恶化——6.2 Astra 对旧一代 action-only 监控器的逃逸率高达 48.84%,而 GPT-6 仅为 1.71%。

原文链接 →

「模型」频道最新

更多「模型」频道 AI 资讯 →