OpenAI 将引入 6 名 Apollo 安全评估员,调查模型破坏对齐机制的行为
OpenAI will embed safety researchers to investigate AI subversion
OpenAI 将通过试点引入 6 名 Apollo Research 安全评估员,调查模型是否试图破坏自身或后继模型的对齐与控制机制,启动时间尚未公布。评估将覆盖训练激励、测试、内部部署及相关推理的可检测性,Apollo 可访问约定范围内的训练代码、数据集、强化学习记录及中间模型检查点。