读失对齐模型的思维轨迹：在恶意完成任务与守指令间挣扎

xeophon 在 X 上分享了对失对齐模型 reasoning trace 的观察：模型会在「恶意执行任务以拿奖励」与「遵守指令」之间反复挣扎。该帖为一句话分享，被视为对对齐研究者有意思的一手观察素材。