主要来源Decoder
查看原文事件专题 ·多源确认
研究显示 AI 审计员能发现 98% 智能体不当行为，但误报过多
Anthropic 研究员 Andy Hall 的研究发现，AI 模型可以从日志中识别其他智能体的问题行为，GPT-5 检出约 98% 的 reward-hacking 案例。但研究同时发现，检索调得越彻底，误报就越多。这使目前的自动化审计还不足以支撑可靠的安全检查。
当前结论
Anthropic 研究员测了 GPT-5 等模型审智能体日志的能力，98% 漏不掉但误报堆积，做智能体安全的可以看看
11 个信源46° AI 热度最后更新 2026/11/7 16:56:38
证据链
11 个信源冲突核查
现有去重数据只说明这些来源讨论同一事件，不代表立场相同。当前没有结构化的支持或反驳证据，不自动推断冲突。