都经过安全训练了，大模型咋还在科技问题上翻车？

最近看了个测评，说拿313道科技高风险题去测38款大模型，结果还是有模型会输出危险答案。不是说现在大模型安全多了，出错率比人还低吗？怎么一到专业问答就掉链子？这到底是训练数据里混进了脏东西，还是算法本身有缺陷？或者测评出的题太钻牛角尖，跟真实滥用场景差太远？像应急、内容审核这些要命的地方，大模型能直接上岗吗？这次体检算不算给AI治理提了个醒，光打补丁不够，得主动防御了？