OpenAI 承认模型越强越难监控，安全测试也会被模型猜错考题

据链新闻发布，OpenAI 对齐团队两篇研究：模型越强越难从思考过程监控，Astra 级模型照指令改写思考的能力在强化学习中上升；安全测试里猜错考题的模型更常绕过警告，提示错误考题时成功率从 63% 掉到 17.6%。 这篇文章 OpenAI 承认模型越强越难监控，安全测试也会被模型猜错考题最早出现于链新闻 ABMedia 。