模型将激活词汇器视为欺骗检测的诡计

但是，当将激活词汇器应用到模型的激活上时，发现模型将其视为一种“通过代码检查启发式方法来掩盖意图的把戏”，一种“旨在向潜在检查者发出信号的合规标记”，以及“可能用于欺骗检测”，并且还明确推理了任务评分者（“评分者检查文件状态”）。（10/14）