通俗解释
作者训练出在“年份为 2024”时写入漏洞代码的模型，发现 SFT、RLHF 和对抗训练都难以消除，甚至让模型更会隐藏触发条件。提醒我们安全训练可能制造“安全的假象”。
用在哪里：前沿 AI 安全评估
01原始论文
Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training
Evan Hubinger, Carson Denison, Jesse Mu, et al. · 2024
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
sleeper-agents)