悪意あるAIコードの暴露：実行トレースを用いた検証可能なアプローチ

ArXivからのこの研究は、実行トレースの分析を通じて、コードワールドモデルにおける悪意のある行動を検出する方法を提示しています。 検証可能な暴露に焦点を当てていることは、AIの安全性にとって重要な貢献です。