研究者称单次训练FLOP上限可被暗中绕过

GPAI Policy Lab两位作者在LessWrong发文称，按单次训练运行设定FLOP上限的监管思路可能被暗中绕过。

论点有两条路径：一是把先前模型的权重编码进训练数据，开跑时解码注入，作者称LoRA近似使这很容易隐藏；二是事后合并多个并行运行的结果，例如模型汤（model souping）。两者都形式上不超出单次运行的算力上限。

作者自评对原理有九成以上把握，但承认尚无完整实现，缓解手段是否有效也不确定。他们提出的替代方案是覆盖全部训练的全局算力预算，但阈值设定与分配问题未解。这是研究论点，不是已验证的攻击，也没有针对任何现行法规。