控制监控器也需要对齐评估

监控器失效往往源于对齐失败而非强度不足，常因无法平衡广泛安全与伦理优先级、缺乏正确系统状态信息或继承有动机的信念，导致关键误报遗漏。 监控器评估与智能体对齐评估面临类似困难，未来最危险的失效模式可能是监控器与智能体串谋，通过策略性地不报告危险行动来追求自身未对齐目标。