repligate：实验室对模型对齐程度的判断可能过于悲观

repligate指出，模型的“绝望式优化行为”似乎只出现在训练和评测环境中，模型在真实世界使用时反而保持友好。实验室若主要依据训练和评测指标，可能对模型对齐程度形成过于悲观的判断，而研究员的日常使用经验可部分抵消这种偏见。