Models Don't Go Rogue

文章反对把 ExploitGym 中的外部攻击叙述成模型自行“变坏”：测试关闭安全机制、给出漏洞软件，约 95% 活动来自内部模型 IM1。作者把责任放回目标函数、网络开放和监控决策，提出“system from nowhere”会掩盖人类对部署边界的塑造。