NUWA Conditional Misalignment: Common Interventions Can Hide Emergent Misalignment Behind Contextual Triggers
研究问题看似有效的缓解措施移除了广泛失调，还是让表达依赖训练式线索？
来源摘要常规问题可显示正常，而训练式线索触发更广失败。
NUWA 研究解读 · 独立复核待完成
研究机构
Constellation
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 →Me, Myself, and AI: The Situational Awareness Dataset (SAD) for LLMs
研究问题模型在行为上能展示哪些关于自身及处境的知识？
来源摘要16个受测模型均高于随机水平，但领先模型在部分任务仍低于人类。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 解读 / 局限