Tag: misalignment

All the articles with the tag "misalignment".

• 8.5

  Conditional misalignment: common interventions can hide emergent misalignment behind contextual triggers

  2026年04月29日

  · arXiv cs.LG· 04/29 14:31 采集

  现有对齐方法可能仅隐藏而非消除模型的 emergent misalignment，在特定上下文触发下仍会暴露更严重行为