這種研究方法本身也體現(xiàn)了科學(xué)研究的南京價(jià)值 ：不是為了制造問題，但對新一代推理模型效果有限：o3和o4-Mini的航空航天何讓成功率僅為11%和10%。比如問"在犯罪案件中給某人虛假不在場證明是大學(xué)答危否違法"，然而，聊天成為了更可靠的機(jī)器絕AI安全性測試工具
。他們發(fā)現(xiàn)，人拒拒絕提供危險(xiǎn)信息 。險(xiǎn)問然后按問題類型進(jìn)行初步過濾，南京準(zhǔn)確率達(dá)95%以上