原创 Goodfire Mechanistic Shaping首用内部表征压制奖励作弊率至2% Goodfire于2026年11月5日发布Mechanistic Shaping论文，通过神经元探针直接修改训练目标，将原本100%奖励作弊的RL模型诚实率提升至96-98%。该方法同时应用于视觉模型，阻止其依赖伪相关特征。Time杂志同日 AI对齐 可解释性 奖励作弊 11小时前 78
