我们如何检测前沿模型的不对齐

OpenAI 发布的一篇安全类文章，介绍其用分层监控系统检测前沿模型的不对齐和未授权的 agent 行为，以便响应人员在事件升级前介入。文章目录中列有“Layer 0: activation probes”（激活探针）等监控层级，页面标注日期为 2026 年 10 月 28 日，归属于 Security、Safety 与 Publication 分类。适合关注前沿模型安全监控与 agent 行为监督的人阅读。