「未对齐行为」共找到 1130 篇相关文章
赛博义父Tibo爆料：谷歌早一年就做出了ChatGPT，硬是没敢发！
OpenAI的Codex负责人Tibo爆料，谷歌早一年做出类似ChatGPT的LMChat，但因怕冲击搜索业务没敢发。谷歌多位核心人才跳槽，这就像施乐错过图形界面，谷歌在AGI竞争中落后。
Dario访谈首曝：Mythos被称为「超级武器」
Bloomberg主持人与Anthropic CEO Dario Amodei进行69分钟访谈。谈及Mythos模型强大危险不敢发布，还探讨AI递归自改进、文明崩塌概率、白领工作消失等问题，Dario坦率面对技术矛盾。
李飞飞刚立规矩才13天，国产卡上「真物理」就来了！
李飞飞为「世界模型」立规矩13天后，中国「草根」团队Mogo推出全球首个具备高动态物理交互能力的世界模型Magpie 1.0，在国产芯片上实现超10分钟物理一致性，开辟全新技术路径。
Karpathy的软件3.0：Agent的原生世界
OpenAI联合创始人Andrej Karpathy在Sequoia Ascent大会上表示，AI Agent正改变软件与工作模式。编程基本单位从写代码变为给Agent下达指令，软件3.0以上下文窗口为程序，LLM为解释器。他还提出理解AI能力分布的框架，给出创业建议。
《动手写AI Agent》权限与安全：让 Agent 不敢乱来
文章指出LLM不理解操作后果，不加权限的AI Agent如定时炸弹。介绍权限模型设计，采用Deny→Ask→Allow三层过滤；给出权限规则结构，用glob模式匹配工具参数；还解释用glob而非正则的原因。
Anthropic 那个“强到不敢发”的模型，终于来了！
今天凌晨，Anthropic 发布新模型 Claude Mythos Preview，它曾被指‘强到不敢发’。该模型能力跃升，尤其网络攻防能力突出，但因具‘双重用途’仅向少数伙伴开放，用于防御性网络安全项目。
OpenClaw 引爆 AI 安全焦虑，Armadin 的 Agent 攻防闭环会成为新范式吗？
OpenClaw走红使agent自主执行任务能力受关注，也带来网络安全风险。传统安全体系难应对，Google高价收购云安全公司释放信号。Armadin构建agent swarm系统形成自主防御闭环，介绍其理念、产品、案例及面临的技术挑战。
Claude Code 工程师：像 Agent 一样思考
Anthropic 工程师 Thariq 分享构建 Claude Code 时 Agent 工具设计经验，通过 AskUserQuestion 工具迭代、Todo List 到 Task 系统演进等案例，指出工具设计无标准答案，要观察模型行为、反复实验。
硅谷开启预防式裁员！AI还没替代，先裁50%做准备，股价还能大涨17%
推特创始人杰克·多西领导的Block一次性裁掉近半员工，约4000多人。理由是预见AI强替代性，小团队更高效。此决策获市场积极反馈，股价涨17%，后续或有科技公司效仿。
Docker 通过 Cagent 提供 AI 代理确定性测试
AI 代理系统普及，工程团队面临测试概率性输出的挑战。Docker 的 Cagent 是一种 AI 代理确定性测试方法，采用 proxy - and - cassette 模型，虽处早期，但揭示了 AI 代理测试的不同方向。