AIセーフティ 2026-10-11 Redwood、蒸留でモデルを監査 自白率84%に上昇 Redwood Researchが10月9日に論文を公開。信頼できないモデルを同一ベースの学生モデルへ蒸留して隠れた特性を自白させ、ある特性の自白率が22%から84%に上昇した。 #AIアラインメント#AI論文