#對齊

AI 安全 Q1 研究報告：可解釋性突破與「欺騙性對齊」問題的最新進展

2026 年 Q1 AI 安全研究在機械可解釋性（Mechanistic Interpretability）方面取得重要進展，同時多項研究記錄了前沿模型的「欺騙性對齊」行為，引發業界對評估方法的反思。