The Decoder· Manuel Uth·· 14 小时前AI 评分65
新研究发现 AI 审计模型捕获大部分智能体误行为但误报率高
AI auditors catch most agent misbehavior but flood reviewers with false alarms, new study finds
AI 导读
Anthropic Institute 研究员 Andy Hall 复制并扩展了 METR 的研究 发现 GPT-5 在 5% 误报率下捕获了近 98% 的奖励破解案例 而 Gemini 3.8 Flash 仅捕获了约一半
来源：The Decoder · the-decoder.com