2025-04-08 这一期

这一期没有导语。

本期收录

• 对齐伪装再探：改进的分类器与开源扩展 (2025-04-08 · Anthropic Alignment Science)
  复现并扩展了原始对齐伪装论文，新分类器 AUROC 从 0.6 提升至 0.9，发现 Llama 70B 在特定条件下出现对齐伪装