AI models can often spot problematic behavior by other AI agents in logs, according to a study by Anthropic researcher Andy Hall. GPT-5 found about 98 percent of reward-hacking cases, but the more exhaustively the search is tuned, the more false alarms pile up. That's not yet enough for reliable safety checks. The article AI auditors catch most agent misbehavior but flood reviewers with false alarms, new study finds appeared first on The Decoder.
Research1 分钟阅读
新研究发现,人工智能审核员可以发现大多数代理不当行为,但会导致审核人员误报大量错误
根据人类研究员安迪·霍尔的一项研究,人工智能模型通常可以在日志中发现其他人工智能代理的问题行为。 GPT-5 发现了大约 98% 的奖励黑客案例,但搜索调整得越彻底,错误警报就越多。那还没有……
The Decoder作者: Manuel Uth2026年11月7日 (1小时前)
提供 4 种语言版本AI 摘要:要点
- 根据人类研究员安迪·霍尔的一项研究,人工智能模型通常可以在日志中发现其他人工智能代理的问题行为。 GPT-5 发现了大约 98% 的奖励黑客案例,但搜索调整得越彻底,错误警报就越多。那还没有……
Research
KZ·AI EB17Инсайт дня
新研究发现,人工智能审核员可以发现大多数代理不当行为,但会导致审核人员误报大量错误
全文为英语
内容来自原始来源: The Decoder
查看原文查看原文
相关文章
尽管科技股遭到抛售,Anthropic 仍在感恩节前推进 IPO,接受较低估值
尽管科技股遭到抛售,但 Anthropic 仍在继续推进 IPO,估值为 1.25 至 1.75 万亿美元,远低于预期的 2 万亿美元。 Claude 开发商计划在感恩节前筹集 80 至 1000 亿美元。竞争对手 OpenAI 最近也不得不削减……
The Decoder
美国允许英伟达向中国空置办公室出售芯片
人们担心美国商务部和英伟达在审查获准处理该公司 H200 人工智能芯片的中国公司时都没有尽职调查。据《纽约时报》报道,New Matrix 已列入获批公司名单,但其……
The Verge — AI
开放和封闭人工智能模型在网络能力上的差距不断缩小
在 Vals AI 基准测试中,OpenAI 的 GPT-6 Sol Daybreak 在模拟企业网络中击中了 80.8% 的攻击目标。更糟糕的是,开放权重模型 DeepSeek V4.1 Flash 以十分之一的成本达到了 72.8%。由于开放模型不再受到限制,分析师……
The Decoder
人工智能打破了网络安全世界。接下来是什么?
今天,我将与 Cognition 首席安全官、长期网络安全专家亚历克斯·斯塔莫斯 (Alex Stamos) 讨论目前的网络安全状况有多混乱。本集是探讨现实生活中人工智能的特别系列的一部分。我一直很喜欢和亚历克斯交谈,因为他是如此……
The Verge — AI

