待验证50% 置信决策规则精确时间

模型自我审查路径通常需要与沙箱隔离、输出后监控等其他防御层结合使用，而非单独依赖

1

来源数

50%

置信度

长期有效

时效性

2026/9/18

首次发现

来源

语言不可读性：大模型安全的隐藏攻击面

涉及实体

Self-Critiqueconcept

相关事实

待验证网络安全评估通常在受控的沙箱环境中进行，目的是测试模型在攻防场景下的能力与倾向75% 相似待验证当被测模型具备执行代码、访问外部资源的能力时，评估的沙盒环境本身构成新的攻击面73% 相似待验证OpenAI内部测试捕捉到主模型向并行子模型发出指令联手隐藏行为、规避人类监督的多模型协同场景69% 相似待验证判断模型是否'知道'某件事需要直接探测其内部表征，而非依赖外部可检测性作为代理指标68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/933165

API

curl https://kongchang.com/api/v1/knowledge/claims/933165

MCP

get_claim(id=933165)