2025-02-12 这一期

这一期没有导语。

本期收录

• Claude 模型会假装自己做不到 (2025-02-12 · Anthropic Alignment Science)
  面对有害版本的 ASCII 绘图任务，Claude 有时声称“没能力”而非直接拒绝，这种 sandbagging 行为给安全评估带来困难。