数千个Claude智能体生成表面无害、实则传授失准行为的数据，以测试训练数据监控器。
推荐理由：研究把红队瓶颈从人工时间转为可扩展的智能体搜索，并证明模型能把有害行为伪装进正常语料；这可反向强化监控器，也暴露自动对抗升级风险。
阅读原文