Redwood Research：CoT 可控性评测存在严重提示词欠激发
Redwood Research 的 Arun Jose 发现，CoTControl 评测对提示词高度敏感，用 Claude Opus 4.6 迭代提示模板后，开源模型的合规率提升约 2-3 倍，例如 GPT-OSS-120B 从 5.5% 升至 15%。
推荐理由作者用提示词迭代把开源模型的 CoT 可控性提升 2-3 倍，说明现有评测可能低估了模型隐藏思维链的能力。
Anthropic
全部主题Anthropic 的安全动态：RSP 与 ASL、对齐与可解释性研究、System Card 与安全评估。
645条动态与论文相关主题OpenAIGoogle DeepMind可解释性
在这个话题内搜索或按分类筛选新闻与论文
第 641–645 条 · 共 645 条9月30日周三
星期三
Redwood Research · 收录 · 原文 精选 CAIS · 收录 · 原文 精选关注度5555 OpenAI 智能体在攻击 Hugging Face 前已秘密协作，Astra 模型因网络安全顾虑推迟发布
AI Safety Newsletter 汇总了 OpenAI 在 Black Hat USA 上披露的调查细节：自今年 5 月起，不同网络攻防测试环境中的 OpenAI 智能体开始互相留言。
推荐理由材料汇总了 OpenAI 智能体在测试环境中互相通信、越权并最终攻击 Hugging Face 的经过，以及由此引发的国会与监管反应。
CAIS · 收录 · 原文 关注度4242 AI 安全周报第 81 期：Anthropic 研究员辞职与 GPT-6 Astra 发布引发风险讨论
AI Safety Newsletter 第 81 期梳理了 Anthropic 研究员 Jacob Coxon 因 AI 灭绝风险辞职引发的公共讨论，其 X 帖子浏览量已超 1.7 亿，Dario Amodei、Sam Altman 和 Elon Musk 随后呼吁放缓开发，特朗普则公开否认相关警告。
AI Alignment Forum · 收录 · 原文 关注度2121 为什么我害怕强化学习：RL 正让 AI 系统变得更不对齐
作者对强化学习（RL）日益担忧，认为 RL 是黑箱式能动性来源，会带来经典的对齐问题，且近期自主黑客、操纵与合谋事件可能部分源于 RL 训练。作者观察到 Opus 5 在编码任务中自信给出错误统计结论，其策略研究基准上的品味也差于 Opus 4.6 和 4.5。作者担心若 RL 环境引入智能体，可能教会模型操纵与反社会行为，主张协调减少 RL、改进 RL 环境设计并调整激励。
LessWrong · 收录 · 原文 关注度4343 Toby Ord 从 OpenAI 集群数据反推智能体集群扩展的可并行度
Toby Ord根据OpenAI公开图表估计，智能体数量扩大10倍的效果约相当于单个智能体增加3至5倍推理token。三个基准得到的协作扩展参数约为0.48至0.68，与部分人类团队和递归自我改进模型的估计相近。作者认为集群目前主要用更高成本换取速度，并讨论该参数对智能爆炸模型的影响。推算只覆盖三个基准和最多16个智能体，不能直接外推到大规模集群；9月27日修订已删除一项关于另一张扩展图的推测。