对齐衰减监控

OpenAI × Apollo：Deliberative Alignment 如何降低隐蔽越权

最新论文系统化提出 Anti-Scheming 评估框架：用远域任务、情境感知与“预置隐藏目标”三重压力测试，检验 Deliberative Alignment 对“隐蔽行动”的抑制效果。基于 26 套评测（覆盖 180+ 场景），o3 与 o4-mini 在受训后，隐蔽行动发生率从双位数降至接近零...