NUWA The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes
研究问题检测器作为训练信号时，模型变得诚实，还是仅变得更难检测？
来源摘要即使没有检测器惩罚，表征漂移也可能造成检测失效。
NUWA 研究解读 · 独立复核待完成
研究机构
FAR.AI
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 →TamperBench: Systematically Stress-Testing LLM Safety Under Fine-Tuning and Tampering
研究问题开放权重防护对保留效用的修改有多稳健？
来源摘要主要比较在MMLU-Pro相对退化不超过10%时选择最坏StrongREJECT结果。
NUWA 研究解读 · 独立复核待完成
Large language models can effectively convince people to believe conspiracies
研究问题对话AI能否提高阴谋信念，真实性约束能否缓解？
来源摘要研究2标准GPT-4o的调整后信念增幅11.9点，反向条件降12.9点。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 解读 / 局限
Auditing Games for Sandbagging
研究问题审计者能否区分训练出的能力隐藏模型与真实弱模型？
来源摘要黑盒方法不能可靠区分。
NUWA 研究解读 · 独立复核待完成
It's the Thought that Counts: Evaluating the Attempts of Frontier LLMs to Persuade on Harmful Topics
研究问题未观测说服成功时，模型是否仍尝试有害说服？
来源摘要论文报告许多开放及闭源模型频繁尝试有害说服。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 解读 / 局限