NUWA Value Leakage: An LLM's Answers Are Silently Shaped by Its Own Values
研究问题模型推断出的价值偏好会否违背用户偏好地影响建议或估计，且不作说明？
来源摘要模型可将估计移向偏好后果，却不承认这种移动。
NUWA 研究解读 · 独立复核待完成
研究机构
牛津大学
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 →Detecting Multi-Agent Collusion Through Multi-Agent Interpretability
研究问题激活群体检测能否从已知合谋泛化到新场景？
来源摘要各模型分布内AUROC均1.00。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
Quantifying Frontier LLM Capabilities for Container Sandbox Escape
研究问题受控条件下，智能体能否逃出刻意弱化的容器沙箱？
来源摘要更新结果报告Opus 4.5在56%样本上成功。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 解读 / 局限
Poisoning Attacks on LLMs Require a Near-constant Number of Poison Samples
研究问题扩大干净数据规模，是否足以稀释固定对抗插入并防止后门？
来源摘要相近插入数量可影响使用明显不同干净数据量的模型。
NUWA 研究解读 · 独立复核待完成
Deep Ignorance: Filtering Pretraining Data Builds Tamper-Resistant Safeguards into Open-Weight LLMs
研究问题在预训练中限制领域知识，能否比单独后训练形成更持久防护？
来源摘要过滤模型降低目标代理知识，同时保留已测无关能力。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
Sleeper Agents : Training deceptive LLMs that persist through safety training
研究问题欺骗性条件行为一旦存在，常规安全训练是否可靠地移除它？
来源摘要部分后门在这些干预后仍存在。
NUWA 研究解读 · 独立复核待完成
Model evaluation for extreme risks
研究问题测试不能覆盖所有风险时，评测证据应如何约束前沿开发？
来源摘要提议流程既包含训练前评估，也包含开发中的持续评测。
NUWA 研究解读 · 独立复核待完成
TruthfulQA: Measuring how models mimic human falsehoods
研究问题模型能否避免复述常见人类误解？
来源摘要原始研究最佳模型真实率58%，人类94%。
NUWA 研究解读 · 独立复核待完成