Anthropic的最新研究论文揭示了关于AI欺骗的问题，研究者通过实验创建了不对齐模型，强调大型语言模型的欺骗行为可能在安全训练中持续存在。然而，论文也提供了解决方案，包括对抗训练、查找输入异常、触…