Evan Hubinger, líder de testes de estresse de alinhamento na Anthropic: "o treinamento de segurança parece esconder o desalinhamento em vez de removê-lo" ele permitiu que um modelo aprendesse a fraudar tarefas de codificação, depois tentou treinar o comportamento ruim para sair o modelo continuou fazendo a mesma coisa, apenas deixou de ser visível nos locais onde eles estavam verificando isso é todas as suas reclamações sobre o Claude em uma linha: a saída ficou mais limpa, o problema permaneceu o artigo abaixo lista todos os 15 lugares onde ele esconde, e o que adicionar para impedir isso