该研究探讨人类审计员能否识别AI安全研究中的蓄意破坏。实验让专家在正常研究中暗植破坏,审计员仅凭研究记录判断。结果显示,人类审计员AUROC仅0.59,与随机猜测无显著差异,完整识破率17%;最强模型Fable 5.1为0.73和32%,领先幅度在噪声范围内。局限包括人机权限不对等、50%先验偏离真实基础率、小规模设定外部效度有限,且属未评审预印本。
完成下面两步后,将自动完成登录并继续当前操作。