风险行为 1防御 1评测与基准 1
最近的 AI 安全论文
本站共收录 4 篇2025 年 3 月
- OpenAI 研究监控推理模型的不当行为与推动掩盖意图的风险
Monitoring Reasoning Models for Misbehavior and the Risks of Promoting Obfuscation
2023 年 12 月
- OpenAI 研究弱到强泛化：用弱监督激发强能力
Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision
2023 年 3 月
2022 年 10 月
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。