Transluce发布研究：用RL训练Llama-3.1 8B调查员智能体生成自然语言越狱，对GPT-5-main(78%)、Claude Sonnet 4(92%)、Gemini 2.5 Pro(90%)等48项高风险任务取得成功率并开源代码

先了解这件事

Transluce 通过强化学习训练 investigator agent，针对 48 个涉及 CBRN、炸药和违禁药物的高危任务生成自然语言越狱提示，对 Claude Sonnet 4、Grok 4、Gemini 2.5 Pro、GPT-5-main 的 pass@1 成功率分别达 92%、98%、90% 和 78%。