Lena Libon 团队新论文：用训练期内部信号改善对齐且不损白盒监控

Lena Libon 团队发布新论文，验证可在训练阶段利用模型内部信号改进对齐训练，且不会增加白盒监控的难度。论文针对 Frontier 模型训练期看似对齐、部署后却出现不良行为的问题给出肯定答案，研究者还发布线程介绍方法细节。