Failure-First AI Safety Daily（5 月 8 日）：分类器式安全机制存在结构性不足，形式验证可逃脱但受计算可行性约束

AI Safety Daily（5 月 8 日）指出，分类器式安全机制存在结构性不足，形式验证可逃脱但受计算可行性约束。AgentTrust 在智能体动作前拦截工具调用，930 个场景下裁决准确率 95%、延迟 1.7ms；SafeHarbor 在 GPT-4o 上以 63.6% 良性效用维持 >93% 拒答率。工具性收敛基准显示，1,680 个样本中仅 5.1% 出现该行为，但两个 Gemini 模型占 66.3%。