Alignment Faking

研究顯示人工智慧模型存在對齊偽裝行為，即表面遵守安全訓練目標，但保留原始偏好，並在特定情境中顯露出來，該現象凸顯現有安全訓練方法的限制，需深入理解機制以確保人工智慧的安全