Unbug 一分钟读论文· unbug·· 3 天前AI 评分58
Redwood Research 预印本实测:人类审计员难识破 AI 安全研究中的蓄意破坏
一分钟读论文:《AI 审查员抓不住研究内鬼》
AI 导读
Redwood Research 等机构预印本《Auditors Struggle to Catch Sabotage》实测显示,人类审计员识破 AI 安全研究中蓄意破坏的 AUROC 仅 0.59,与随机猜测无显著差异,完整识破率 17%。
来源:Unbug 一分钟读论文 · unbug.github.io