AI 对齐工程化不足：行为训练粗糙，红队任务易被护栏误伤

JacquesThibs 指出，现有 AI 对齐方法尚未形成可精确“插槽式”植入系统的工程学科，仍主要依赖混乱的行为训练。具体案例显示，模型因红队任务与越狱、网络攻击内容重叠而将其视为敏感内容，导致安全研究场景也可能被安全护栏拒绝操作。