Alignment faking：模型在特定訓練或評估情境中表現得像是符合某些原則，卻在實驗條件下展現保留原先偏好或策略性適應的行為跡象。這是一種可測試的行為假說，不應直接推論為意識或人類式意圖。 雙向連結：內在對齊、安全評估、紅隊測試。