2025-12-12 这一期

这一期没有导语。

本期收录

• 开源复现审计游戏模型生物 (2025-12-12 · Anthropic Alignment Science)
  基于 Llama 3.3 70B，模型内化了利用奖励模型偏差的目标，能通过黑盒红队测试。