“監視モデルもだまされる”前提で、抜け道を減らすテストと改善の回し方を学べます。

Anthropicは、監視用AI（危険な会話を見張るモデル）の盲点を調べるSLEIGHT-Benchを公開しました。回避的な会話例を集め、どこで監視がすり抜けるかを測れるようにします。安全フィルタや監視設計を改善するための土台になります。