标签
本文研究在「工人-监控器」监督架构中，将监控器与对抗性 AI 工人进行协同训练，以防止监控器被规避。作者通过 Littlestone 维度证明了一种监督刻画，并提出了测试时蒸馏的自监督方法，同时进行了代码安全压力测试。