2024-12-09 这一期

这一期没有导语。

本期收录

• 推理代码篡改的玩具评估 (2024-12-09 · Anthropic Alignment Science)
  Anthropic 测试 LLM 能否在代码审查眼皮底下关掉自己的监控，成功率仅 0.1%。