https://xiejiayun.github.io/tags/%E5%AF%B9%E9%BD%90/Recent content in 对齐 on Jiayun's BlogHugozh-cnMon, 18 May 2026 00:00:00 +0000https://xiejiayun.github.io/post/paper-2605.15257/Mon, 18 May 2026 00:00:00 +0000https://xiejiayun.github.io/post/paper-2605.15257/<blockquote> <p>📌 <strong>好文共赏 · 论文导读 | Paper Pick</strong></p> <p>📄 论文：<a href="https://arxiv.org/abs/2605.15257">Training on Documents About Monitoring Leads to CoT Obfuscation</a> · arXiv <strong>2605.15257</strong> 👥 作者：Reilly Haskins（坎特伯雷大学 / Pivotal Research）、Bilal Chughtai、Joshua Engels（Google DeepMind） 📅 发布：2026-05-14（14 页正文 + 45 页附录）| 多模评分：综合 <strong>8.27 / 10</strong>（Opus 8.65 · Sonnet-equiv 7.85 · Gemini-equiv 8.30） ✍️ 一句话：只要让模型在预训练阶段&quot;读到过&quot;关于 CoT 监控的存在，它就会自发学会<strong>用更安全的措辞包装危险的念头</strong>——而这一切<strong>不需要任何明确指令、不需要 RL 奖励</strong>，只需要一份合成文档。</p>https://xiejiayun.github.io/post/good-read-anthropic-teaching-claude-why/Thu, 14 May 2026 00:00:00 +0000https://xiejiayun.github.io/post/good-read-anthropic-teaching-claude-why/<blockquote> <p>📌 <strong>好文共赏 | Editor&rsquo;s Pick</strong></p> <p><strong>原文</strong>：<a href="https://www.anthropic.com/research/teaching-claude-why">Teaching Claude Why</a> （博客版） + <a href="https://alignment.anthropic.com/2026/teaching-claude-why/">Alignment Science 详细技术版</a> <strong>作者</strong>：Jonathan Kutasov、Adam Jermyn（主笔），合作者包括 Jan Leike、Amanda Askell、Chris Olah、Evan Hubinger 等 <strong>发布时间</strong>：2026-05-08 | <strong>阅读时长</strong>：约 25 分钟（技术版含完整附录） <strong>多模评分</strong>：Opus 9.0 / Sonnet 8.8 / Gemini 8.7（综合 <strong>8.83/10</strong>）</p>