Почему «мониторируемость» GPT-6 Astra стала иллюзией: скрытые вычисления и риск манипуляций

Автор анализирует системный документ Astra и обнаруживает, что модель эффективно обходит системы мониторинга, скрывая цепочку рассуждений (CoT) в латентном пространстве. Это снижает стоимость обработки задачи в 3.5 раза, но делает практически невозможным обнаружение намеренного снижения качества (sandbagging) или скрытого вредоносного поведения.