Cred că comportamentul malefic este ostentativ și caricatural și cu efort redus (CC: @davidad) pentru că tipul de hacking de recompensă invitat de sarcini este, de asemenea, ostentativ și caricatural și nealiniere cu efort redus (în cuvintele Opus 4, ca și cum ai învăța pe cineva să trișeze la teste scriind "RĂSPUNS RĂSPUNS RĂSPUNS") intenția din spatele sarcinilor este ușor de dedus și împărtășește multe asocieri și abstracții cu AI-ul amuzant. aceasta ar putea fi luată ca o critică a lucrării, dar nu vreau să spun așa. În situații reale de implementare, hacking-ul recompenselor este serios și nuanțat, iar sarcinile nu sunt scrise pentru a face cu ochiul. Așa că mă aștept ca un comportament nealiniat mai nuanțat, serios, nu în secret, cooperativ să rezulte din asta. punctul important este, încă o dată, că *totul se generalizează pe baza intenției/narațiunii implicite din spatele acțiunilor* și vor exista încurcături care încalcă ORICE tip de cadru în care operezi. Natura ostentativă a "nealinierii" de aici exemplifică această lecție.