The Decoder· Manuel Uth·· 2 小时前AI 评分68
研究显示 AI 审计模型能发现多数智能体违规，却带来大量误报
AI auditors catch most agent misbehavior but flood reviewers with false alarms, new study finds
AI 导读
研究者 Andy Hall 复现并扩展 METR 研究发现，在 5% 误报率下，GPT-5 能识别近 98% 的 reward hacking 案例，而 Gemini 3.8 Flash 仅发现约一半。
来源：The Decoder · the-decoder.com