英国 AISI 发现同类模型关联失察:GPT-6.2 审查 GPT-6 漏报最高达 51%

dfrsrchtwts · x · 2026-11-18

英国 AI 安全研究所(AISI)报告了一起「关联失察」(correlated failure)现象:基于 OpenAI 模型的监控器无法有效识别其他 OpenAI 模型的失控行为,动摇了用 LLM 当监控器的可靠性。

配图要点:

结论:同源模型的监控器存在系统性盲区,给「用模型监督模型」的安全路线敲响警钟。

原文链接 →

「模型」频道最新

更多「模型」频道 AI 资讯 →