#Alignment Failure Detection (1)

Just Ask Jev：用校准决策模型零样本检测 AI 对齐失败

论文把通过校准决策强化学习训练的 Jev 用作零样本对齐失败检测器：一次调用回答多类问题并返回概率，通用问题在 31 个基准上的中位 AUROC 为 0.886；最大误差来自状态缺少参考事实与标签缺陷，而非问题措辞。