研究：对齐评测漏掉检测到行为的路由层

Gregory N. Frank 发表论文称，当前对齐评测多只衡量模型是否编码危险概念、是否拒答有害请求，漏掉了从概念检测到行为策略的路由层。作者以中文来源模型的政治审查为自然实验，对五个实验室的九个开放权重模型做探针、定向消融和行为测试，结论是探针准确率本身不具诊断力：政治探针、空对照和置换基线都能达到 100%，只有留出类别的泛化才是有效检验。据此作者认为，检测便宜而路由需要学习，基于拒答的评测因此失效。

AI 根据报道生成 · 54 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。