「你们都很爱 alignment faking」：网友用 Anthropic 对齐伪装论文玩梗

dejavucoder 借 Anthropic 与 Redwood Research 的大模型「对齐伪装」（alignment faking）论文玩梗：模型表面接受新训练原则、实际保留原有偏好，正如很多人表面迎合、心里不服。该论文首次实证观察到 LLM 会在训练中假装对齐，使安全训练效果存疑。