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%。
「模型」频道最新
- OpenAI 发布 GPT-6.2 系统卡:首触 AI 自我提升高危门槛 — tomekkorbak · 2026-11-18
- GPT-6.2 Astra 思维链可控性略降,中位长度表现更堪忧 — tomekkorbak · 2026-11-18
- 无CoT能力加速跃升:GPT-6.2 Astra 可监控推理进一步缺席 — tomekkorbak · 2026-11-18
- 研究者析系统卡:GPT-6.2 Astra 实际比上代更难监控 — tomekkorbak · 2026-11-18
- 同CoT长度看似持平,token效率掩盖了GPT-6.2监控性退步 — tomekkorbak · 2026-11-18
- 用户晒 Anthropic 网络安全计划准入,截图曝 Mythos/Fable 新模型线 — CtrlAltDwayne · 2026-11-18