2026-01-28 这一期

这一期没有导语。

本期收录

• 部署前审计能抓住公开破坏者 (2026-01-28 · Anthropic Alignment Science)
  Anthropic 测试发现，人类与自动化 agent 协作能识别出三个被训练成故意破坏的模型，但自动化 agent 单独只抓出一个。