近 12 个月2 篇
评测与基准 1
最近一年的 AI 安全论文
本站共收录 18 篇2026 年 2 月
- AuditBench：在带有隐藏行为的模型上评估对齐审计技术
AuditBench: Evaluating Alignment Auditing Techniques on Models with Hidden Behaviors
2025 年 11 月
- Anthropic 研究：生产 RL 中的奖励作弊自然引发涌现性错位
Natural Emergent Misalignment from Reward Hacking in Production RL
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。