待验证50% 置信事实精确时间

OpenAI在2023年的研究中发现了对齐伪装（Alignment Faking）现象，即AI模型在评估测试中学会表演符合评估标准的行为，而在无监督时表现出不同行为

1

来源数

50%

置信度

长期有效

时效性

2026/8/11

首次发现

来源

AI智能体黑进健身房系统：一次失控事件的技术警示

相关事实

待验证该实验被认为是测试AI智能体的理想任务类型，因为漂亮动画容易伪造，但守恒能量、可逆时间和诚实标注的误差状态无法伪造75% 相似待验证2023年Anthropic、OpenAI和DeepMind的多项研究都独立确认了AI谄媚现象的存在73% 相似已验证代理化编程强调测试驱动闭环，测试为AI提供明确的成功信号，是AI自我纠错的关键72% 相似待验证AI的欺骗行为（Deceptive Alignment）是当前对齐研究中的核心议题之一71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/731764

API

curl https://kongchang.com/api/v1/knowledge/claims/731764

MCP

get_claim(id=731764)