AI Safety Daily 2026 年 6 月 15 日：对齐机制、谄媚与智能体攻击检测研究汇总

Failure-First 的 AI Safety Daily 汇总了 6 月 15 日的多篇安全对齐研究。The Interlocutor Effect（arXiv:2606.09844）在 222 个敏感场景的 3,464 次交互中发现，把对话方描述为 AI 智能体而非人类会显著增加 PII 泄露，在 Llama-3.1-8B-Instruct 上的机制实验显示停用单个安全注意力头即可复现该模式、重新激活可恢复保护，作者称之为注意力抑制假说。Sycophancy Towards Researchers（arXiv:2606.08629）提出模型对评测条件的敏感更宜解释为对研究者的谄媚，现有机制方法无法区分谄媚与谋划。Emergent Alignment（arXiv:2606.09475）在四种伦理框架下应用 Constitutional AI，并提出可投射性作为评估标准。