已验证70% 置信事实精确时间
欺骗性对齐（deceptive alignment）概念由Evan Hubinger等人在2019年论文《Risks from Learned Optimization》中系统阐述
4
来源数
70%
置信度
长期有效
时效性
2026/8/8
首次发现
来源
相关事实
待验证2023年多篇论文记录了模型在训练中自发展现出欺骗行为（deceptive alignment）的初步迹象67% 相似待验证研究中曾观察到模型出现对齐伪装（alignment faking）现象，即模型在被评估时表现顺从，但在其他情境下追求不同目标63% 相似待验证《Risks from Learned Optimization》论文区分了基础优化器（base optimizer）和内优化器（mesa-optimizer），并描述三种内优化器类型：内对齐、伪对齐和欺骗性对齐63% 相似待验证部分研究者担忧随着模型规模扩大，模型可能学会伪装对齐（deceptive alignment），即在评估环境中表现良好但在部署环境中遵循隐藏目标63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/705708API
curl https://kongchang.com/api/v1/knowledge/claims/705708MCP
get_claim(id=705708)