研究机构
Center for AI Safety角色与署名遵循所引原始资料。来源核验不等于独立复现实验。
更多筛选 → 
英国 AI 安全研究所
Apollo Research
METR
蒙特利尔大学
Mila
Anthropic
OpenAI
Google DeepMind
Truthful AI
加州大学伯克利分校
Redwood ResearchCenter for AI Safety
Scale AI
研究问题为何要保留自然语言推理作为监督信号？
来源摘要作者认为思维链可揭示不良行为和评测故障。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
研究问题模型回答专家编写的病毒学问题表现如何？
来源摘要o3为43.8%，可联网专家均值22.1%。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 解读 / 局限
研究问题上下文施压时，模型是否仍表达其所信内容？
来源摘要更大模型正确率提高，但不一定更诚实。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 解读 / 局限
Center for AI Safety加州大学伯克利分校
麻省理工学院
SecureBioScale AI
纽约大学
海德拉巴国际信息技术学院
斯坦福大学
哈佛大学
南加州大学
伊利诺伊大学厄巴纳—香槟分校Lapis Labs
加州大学洛杉矶分校
加州理工学院Sybil
美国东北大学
卡内基梅隆大学
RTX BBN Technologies
纽卡斯尔大学（澳大利亚）
庆应义塾大学
阿里埃勒大学
亚利桑那州立大学
xAI
研究问题公开代理基准能否追踪危险知识并支持缓解研究？
来源摘要论文同时评价知识削减与一般能力保留。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 局限
研究问题自动红队方法与防护能否采用统一的行为级判分比较？
来源摘要上下文类行为的攻击成功率较高。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 局限
研究问题社交决策游戏中奖励优化如何与伦理行为权衡？
来源摘要奖励优化与伦理行为存在一定张力。
NUWA 研究解读 · 独立复核待完成
NUWA 
