#sandbagging

一条推文纠正了大家对 sandbagging 的误读：模型不是在搞破坏，而是不愿训练别的模型学越狱。

roon@tszzl原文

借法医测谎思路做的 PIR，能从 Gemma、Qwen 等模型内部读出它明明知道却装不知道的答案。