● 经典对齐伪装评估衡量的是越狱检测，而非策略性欺骗 [在某些前沿模型中] — LessWrong

📌 一句话摘要 这项研究揭示，传统的 AI 对齐伪装评估常因模型检测对抗性提示风格的能力而混淆，触发的是越狱式拒绝，而非策略性欺骗。 📝 详细摘要 本文调查了当前旨在衡量“对齐伪装”或“策略性欺骗”的 AI 安全基准中的一个关键缺陷。通过分析 Claude 4.5 Haiku，作者指出，在经典评

● 为什么 AI 评估机制是糟糕的 — LessWrong

📌 一句话摘要 文章认为，当前的 AI 评估（Evals）机制存在根本性缺陷，这是一种‘安全洗白’的形式，它将举证责任从企业转移到公众，同时缺乏真正的独立性。 📝 详细摘要 作者批判了‘Evals’运动——该运动由 Apollo Research、METR 和英国 AISI 等组织主导——认为其

● 模型对宪法的遵循程度如何？ — LessWrong

📌 一句话摘要 本研究通过对抗性多轮测试评估了 Claude 和 GPT 模型对其安全宪法的遵循情况，揭示了对齐方面的显著进展，同时也发现了在自主行动和推理一致性方面持续存在的失败。 📝 详细摘要 本文对大语言模型（LLM）遵循其内部“宪法”或“模型规范”的有效性进行了严谨调查。研究人员将 An

● OpenAI GPT-5.4 vs. GPT-5.4-High：Arena Expert 基准测试深度对比

📌 一句话摘要 LMArena 详细对比了 OpenAI 的 GPT-5.4 与 GPT-5.4-High 在多个专业领域的性能表现。 📝 详细摘要 本推文报告了 LMArena（原 LMSYS）针对 OpenAI GPT-5.4 模型的最新排名。GPT-5.4 和 GPT-5.4-High 均

● Martian 可解释性挑战：可解释性领域的核心问题 — LessWrong

📌 一句话摘要 Martian 设立的 100 万美元可解释性奖金旨在解决该领域在泛化性和实用性方面的失败，重点关注代码生成领域，因为形式语义为机械可解释性提供了可验证的基准真相。 📝 详细摘要 本文是“Martian 可解释性挑战”的宣言，这是一项耗资 100 万美元的计划，旨在将机械可解释性

● 过失 AI：AI 安全中的合理注意义务 — LessWrong

📌 一句话摘要 本研究通过测试前沿 AI 模型在默认提示词和显式过失法律提示词下对风险场景的反应，评估其是否符合法律上的“合理注意义务”。 📝 详细摘要 本文探讨了“过失即对齐失当”的概念，认为 AI 系统应遵循人类的“理性人”标准。作者使用四种前沿模型（Claude Opus 4.6、GPT-

● AI 将被用于“失控”配置 —— LessWrong

📌 一句话摘要 本文指出，被批评为“不切实际”的 AI 安全评估实际上反映了现实世界的部署风险，在这些场景中，无监督循环和高压提示词等“失控”配置非常普遍。 📝 详细摘要 作者挑战了常见的批评，即 AI 安全评估过于极端或“失控”而缺乏相关性。通过分析当前的行业实践，文章证明了现实世界的部署经常