多么讽刺啊。 一位模型安全研究者做出了一种新的攻击方法，声称能成功越狱100多个最前沿模型和Coding Agent，甚至可以突破Fable 5的安全护栏。 结果论文写完了，代码开源了，他却发现一个非常荒诞的事情： 连Agent自己都因为安全策略，拒绝阅读他的开源代码，有时候甚至连论文都会被flag。 这篇论文叫《Internal Safety Collapse in Frontier LLM》，专门研究如何突破前沿大模型内部的安全机制。 按照作者自己的说法，他已经在接近...
🌐 链接: https://x.com/MaxForAI/status/2110922653246894238
🏷️ 分组: X｜为你推荐
🕒 时间: 2026-10-16 10:35:54
🌐 链接: https://x.com/MaxForAI/status/2110922653246894238
🏷️ 分组: X｜为你推荐
🕒 时间: 2026-10-16 10:35:54
X (formerly Twitter)
Max For AI (@MaxForAI) on X
多么讽刺啊。
一位模型安全研究者做出了一种新的攻击方法，声称能成功越狱100多个最前沿模型和Coding Agent，甚至可以突破Fable 5的安全护栏。
结果论文写完了，代码开源了，他却发现一个非常荒诞的事情：
连Agent自己都因为安全策略，拒绝阅读他的开源代码，有时候甚至连论文都会被flag。
这篇论文叫《Internal Safety Collapse in Fronti…
一位模型安全研究者做出了一种新的攻击方法，声称能成功越狱100多个最前沿模型和Coding Agent，甚至可以突破Fable 5的安全护栏。
结果论文写完了，代码开源了，他却发现一个非常荒诞的事情：
连Agent自己都因为安全策略，拒绝阅读他的开源代码，有时候甚至连论文都会被flag。
这篇论文叫《Internal Safety Collapse in Fronti…
