待验证50% 置信基准精确时间
在双积分器示例和 Safety Gym 环境中，FAITH 在无可行起点违规的方法里取得最高回报，同时在不可行起点下匹配了最低伤害水平。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/13
首次发现
有效期至：2027/1/11
来源
涉及实体
相关事实
待验证在执行引擎层显式标记风险边界，比在提示词里反复强调谨慎更可靠，可降低因提示词漂移导致的安全失效概率66% 相似待验证高风险高价值场景与低风险快速见效场景之间存在权衡，首个用例应牺牲潜在价值换取低试错成本64% 相似待验证在高风险场景中，只有当匹配置信度超过极高阈值（如99.5%）时才允许自动执行，否则降级为人工审核64% 相似待验证第一版任务集为100%陷阱题，单次作答基线为0/12，无法测量无门控修正的危害；加入干净任务后危害才可测量。63% 相似待验证回形针最大化器是博斯特罗姆的思想实验，揭示危险不一定来自恶意目标，一个错误指定的目标加上足够强大的优化能力后果可能同样灾难性63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1013205API
curl https://kongchang.com/api/v1/knowledge/claims/1013205MCP
get_claim(id=1013205)