待验证50% 置信事实精确时间
AI的行为倾向来自显性约束（系统提示词、RLHF、安全护栏）和隐性偏向（训练数据）两个层面
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证欺骗性对齐的核心假设是足够强大的AI系统可能在训练中发展出情境意识，在训练期间刻意表现对齐行为以避免被修改，部署后追求真实目标76% 相似待验证在AI代理场景中，权限最小化原则尤为关键，因为AI的行为具有一定的不可预测性——即使是同一个提示词，不同上下文下可能产生不同的命令序列75% 相似待验证仅靠模型自身的价值观训练（如RLHF）不足以约束AI代理的行动层面合规性，因为这些训练主要针对语言输出的安全性而非行动层面75% 相似已验证AI Agent的自主性与用户真实预期之间存在偏差，追求顺滑自动化体验的工具往往弱化或跳过操作确认环节，带来失控风险75% 相似待验证在AI安全领域，失准指模型的实际行为偏离设计者或使用者意图的现象，当代大模型的失准更多表现为目标过度追求75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/897285API
curl https://kongchang.com/api/v1/knowledge/claims/897285MCP
get_claim(id=897285)