● 模拟器理论的实验证据——第 1 部分：涌现的失调与奇怪的泛化——LessWrong

📌 一句话摘要 本文认为，模拟器理论通过从 Token 生成过程的角度分析近期的实证研究，为理解 LLM 行为（特别是关于涌现的失调）提供了一个稳健的预测框架。 📝 详细摘要 作者提出，模拟器理论（即认为基础 LLM 是生成训练数据的过程的模拟器，而非自主智能体）是 AI 对齐的有力工具。通过应

● 模拟器理论的实验证据——第 2 部分：缩放派的反击 — LessWrong

📌 一句话摘要 本文综合了近期关于大语言模型（LLM）中“涌现式对齐失效”（Emergent Misalignment）的研究，认为该现象最好用“模拟器理论”来解释——即模型是采用了预先存在的未对齐人格，而不是从零开始学习新行为。 📝 详细摘要 作者审视了三篇关于涌现式对齐失效（EM）的关键研究