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。
162条精选相关主题OpenAIGoogle DeepMind可解释性
最新精选
第 161–162 条 · 共 162 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3131 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。