OpenAI：Alignment 研究博客（RSS）· Bruce W. Lee, Yueh-Han Chen and Tomek Korbak·· 2026-03-22AI 评分58
OpenAI 提出 self-incrimination 方法训练智能体自报失范行为，将未检出攻击率从 56% 降至 6%
Training agents to self-report misbehavior
AI 导读
OpenAI Alignment 团队提出 self-incrimination 训练方法，让智能体在暗中失范时主动调用 report_scheming() 工具自报行为。
来源：OpenAI：Alignment 研究博客（RSS） · alignment.openai.com