人工智能治理

大模型的有害输出，往往不是单纯的“模型不够聪明”，而是安全目标、用户指令和应用场景之间发生了冲突。一个模型可能在常规测试中拒绝明显危险请求，却在多轮对话、角色扮演、输入改写或外部文档注入后，逐渐偏离原...