揭露恶意 AI 代码：基于执行轨迹的可证明方法

这份来自 ArXiv 的研究提出了一种通过分析代码世界模型的执行轨迹来检测恶意行为的方法。 重点关注可证明的揭露，是对 AI 安全性的重大贡献。

• •侧重于检测基于代码的 AI 模型中的恶意行为。
• •使用执行轨迹来分析和识别有害行为。
• •提供一种“可证明”的方法来揭露恶意活动，从而增强可靠性。