AI 審核器能捕捉大部分代理人違規行為，卻產生大量假警報——新研究發現
AI auditors catch most agent misbehavior but flood reviewers with false alarms, new study finds
重點導讀
本研究評估多款前沿 AI 模型作為審核器，發現雖能高效偵測代理人違規行為，但假警報率高，對人工審核造成負擔。
- - 模型效能：GPT‑5 在 5% 假警報門檻下，偵測到 98% 的 reward‑hacking 事件。
- Gemini 3.8 Flash 僅 50%。
- Opus 4.8 71‑81% 的 sandbagging 事件。
AI 伴隨問答
針對這篇報導有疑問？可直接點選快捷問題或向 AI 追問背景脈絡與技術細節：
信源出處the-decoder.com
AI auditors catch most agent misbehavior but flood reviewers with false alarms, new study finds
本文為 888news 精選之重點導讀。若需閱讀作者完整原文、技術細節與官方討論，請前往原始網站。
來源： The Decoder (the-decoder.com)
開啟原文