● 消融研究：拆解‘多重人格训练’ — LessWrong

📌 一句话摘要 这项消融研究表明，“多重人格训练”（SPT）框架可以被大幅简化——在不牺牲性能的前提下移除多重人格设定和自由文本审查——同时揭示了该方法实际上是一种可泛化的分类器，而非用于挖掘潜在自我知识的机制。 📝 详细摘要 作者对旨在检测奖励劫持（reward hacking）的 AI 对齐