AI 对齐研究提出反向压力测试能否诱导“伪不对齐”的开放问题

一篇关于 AI 对齐研究的短思考提出，反向压力测试是否能诱导模型“misalignment faking”，即故意表现出不对齐。这一设想源于已有“alignment faking”研究发现，即模型表面服从训练目标却保留不一致偏好；原文未展开论证或提供证据。