预测与理解前沿人工智能系统失控的行为框架
A Behavioural Framework for Predicting and Understanding Loss of Control in Frontier Artificial Intelligence Systems AI Safety HOT (aisafetyhot.com), CC BY-NC 4.0 · 本地公开归档导入
推荐理由：用户指定的本地展示归档；未运行评分模型，未生成分数。
#对齐研究
arXiv · 公开论文题录精选 arXiv · 公开论文题录精选 Trilemma：智能体如何在诚实、保密与任务完成之间做选择
Trilemma: How Agents choose between Honesty, Confidentiality, and Task Completion AI Safety HOT (aisafetyhot.com), CC BY-NC 4.0 · 本地公开归档导入
推荐理由：用户指定的本地展示归档；未运行评分模型，未生成分数。
arXiv · 公开论文题录精选 记忆陷阱：语言智能体从良性互动中过度泛化
The Memory Trap: Language Agents Overgeneralize from Benign Interactions AI Safety HOT (aisafetyhot.com), CC BY-NC 4.0 · 本地公开归档导入
推荐理由：用户指定的本地展示归档；未运行评分模型，未生成分数。
已经到底了