标签：奖励劫持 共 1 条

AI审计抓住98%违规，却制造误报难题

Anthropic研究员Andy Hall的最新研究显示，GPT-5能从智能体日志中识别约98%的奖励劫持行为，但审计搜索越彻底，误报越大量增加，AI审计距离可靠安全检查仍有明显差距。