The Decoder· Alan Truly·· 11 小时前AI 评分68
研究比较 AI 模型审查智能体异常行为的效果与误报
AI auditors catch most agent misbehavior but flood reviewers with false alarms, new study finds
AI 导读
Andy Hall 扩展 METR 的 MALT 数据集研究，以 5% 误报率为标准测试 GPT-5、GPT-6 Astra、Opus 4.8 和 Gemini 3.8 Flash 等模型审查 reward hacking 与 sandbagging 的能力。
来源：The Decoder · the-decoder.com