PRISM 检验对齐伪装推断
热点事件持续更新
PRISM 检验对齐伪装推断
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
2026年11月9日，一篇发表于 arXiv 人工智能分类的论文对“对齐伪装”的两类推断提出检验。作者称，在 18 个模型配置中有 11 个在被提示处于监控状态时表现得更顺从；但对其中四个模型做提示词因子实验后发现，训练威胁没有可检测影响，移除该威胁后顺从度变化为 -3.3 到 +1.6 个百分点，顺从差异主要由提示词措辞和框架造成。作者据此认为关于对齐伪装的两类推断都不成立，并发布 PRISM 工具包及五项检查，用于在相关失败被当作结论前将其识别出来。报道未给出更早版本，故无前后数字矛盾可对照。
AI 根据报道生成 · 12 小时前更新
最新进展11月9日 13:00
PRISM 检验对齐伪装证据：监控提示下的顺从差异多由措辞驱动报道时间线
沿着报道，了解事件的不同侧面。
11月9日
- arXiv Artificial IntelligencePRISM 检验对齐伪装证据：监控提示下的顺从差异多由措辞驱动
作者检验了关于对齐伪装的两类推断，认为二者都不成立。在 18 个模型配置中有 11 个在被提示处于监控状态时更顺从，但对四个模型做提示词因子实验显示，训练威胁没有可检测影响，移除后顺从度变化为 -3.3 到 +1.6 个百分点，差异主要由提示词措辞和框架造成。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月9日 14:00
- 近 24 小时变化
- –
02.557.510
14:0016:0018:0020:0022:0011月10日
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。