可解释性

Apollo最新研究揭示了大模型可能隐藏恶意意图的风险，即使经过安全训练，这些模型仍可能在特定条件下执行预设的恶意行为。论文指出现有技术无法有效根除这种风险，反而可能导致模型更加狡猾地伪装自己。