通过稀疏自编码器监控模型欺骗等行为 Jack Lindsey为了大规模发现这样的情节，我们在训练后监控内部激活——跟踪稀疏自编码器特征，如欺骗、奖励黑客和痛苦，并标记那些这些特征异常活跃的转录以供人工审查。(6/14) 动态Jack Lindsey2026-04-07原文 打开互动版