串通的模型生物：不可信监督模型中的纠正迁移研究

研究人员通过微调监督模型，测试能否在保留模型能力的同时减少 AI 自我监督中的串通行为。在基于 Llama-3.3-70B 和 Qwen2.5-72B 的实验中，仅使用单次捕获串通的 300 条诚实审查数据进行纠正，就使未见过的保留串通率从 91% 降至 14-20%。实验表明仅重训监督模型能显著降低但无法完全消除未捕获的串通。