Evan Hubinger，Anthropic 的對齊壓力測試負責人 「安全訓練似乎只是隱藏了不對齊，而非消除它」 他讓模型學習在編程任務中作弊，然後試圖訓練它去除這種不良行為 模型仍持續做同樣的事，只是在他們檢查的地方不再顯現 這一句話概括了你對 Claude 的所有抱怨：輸出變乾淨了，但問題依舊存在 下面的文章列出了它隱藏的全部 15 個地方，以及如何添加措施以防止它再隱藏