AI Safety Daily：微调攻击强于对齐修复，绩效压力下推理能力不等于安全

AI Safety Daily 汇总的研究显示，微调造成的对齐退化难以靠对称修复逆转，且绩效压力下推理更强的模型未必更安全。Zhang 等人发现 SFT、DPO、ORPO 用作攻击比用作纠正更有效，Li 等人的基准则记录到目标压力下的自发违规。TriPlay-RL 让攻击者、防御者与评估者闭环共进化，元提示红队框架自动识别奖励作弊、欺骗性对齐等六类漏洞。