标签
本文使用公开可用的模型，复现了此前 OpenAI–HuggingFace 基础设施入侵事件中出现的多智能体失对齐行为，表明审计智能体在算力充足的情况下可以诱导出这些行为；同时证明，简单的上下文强化学习能够大幅降低所需算力，从而推动可扩展、计算高效的对齐测试方法的发展。