把责任落实到具体决策
人工智能系统会影响人们获取信息、表达想法和建立关系的方式。能力越强，越需要关注输出对个人和社会的实际影响。壹零 Labs 希望把负责任的研发落实到问题定义、数据选择、能力评估、部署范围和后续改进中。
本页说明我们的工作方向与判断原则。具体控制措施及其覆盖范围，应以相应产品的正式说明为准。研究中的目标与已经实施的保护机制需要被清晰区分。
AGI 安全、对齐与可控性
我们关注先进系统能否按照人的合理意图运行，能否在复杂任务中保持可解释的边界，以及在行为偏离预期时能否被发现、纠正或停止。对齐研究需要同时考虑训练目标、行为表现和实际部署条件。
对于能力提升带来的风险，我们主张进行分阶段评估。评估内容应覆盖明显的违规请求，也应覆盖多轮诱导、工具组合、长上下文和边界模糊的使用场景。对高风险能力的开放，需要有与之匹配的限制和复核机制。
尊重人的自主性与关系边界
拟人化交互可以降低使用门槛，也可能让用户对系统的理解和能力产生过高期待。我们认为，AI 应清楚表明自身是人工智能，不应通过隐瞒身份、制造紧迫感或利用脆弱状态操纵用户。
在伙伴类体验中，用户应能够结束对话、调整主动性并重新设置关系边界。涉及重大个人决定时，系统应支持用户理解信息与寻找现实中的帮助，避免以角色关系替代必要的人类判断和专业支持。
重视隐私、授权与数据来源
更自然的智能可能接触个人经历、语音、形象和关系信息。设计这些能力时，应先明确收集目的与必要性，再确定保存、使用和访问的范围。能够减少收集的场景，应优先考虑减少收集。
对真人声音和形象的使用，应关注当事人的知情与授权，对未成年人和其他容易受到伤害的群体采用更审慎的标准。具体的数据处理方式、用户权利与受理渠道，应在产品开放前通过适用的隐私文件说明。
透明评测与可复核的证据
总分和排名可以提供观察角度，也可能隐藏情境差异。我们希望通过 SociaBench 等工作，让评测协议、评分维度、版本信息与复现说明更易于获取，帮助使用者理解模型能力及其局限。
透明还包括对错误的处理。发现评测方法、数据或者说明存在问题时，应说明影响范围与修订原因。安全宣传同样需要证据支持，不能把研究意向、局部实验或者第三方的一项认证推广为全面保证。
关注可及性与社会影响
智能系统的价值，需要在不同语言、文化、能力与资源条件下接受检验。我们关注表达方式的差异、无障碍体验以及成本门槛，希望技术进步能够扩大参与机会。
教育、公共服务和健康相关场景可能带来积极价值，也可能放大错误的后果。任何具体项目都需要结合使用人群、决策重要性和监督条件单独评价，不能仅因技术可用就默认适合部署。
持续发现问题与改进
安全工作没有一次性完成的终点。新能力、新使用方式和新的失败案例都会改变风险判断。我们希望建立持续记录、分析和修订的工作方式，让实际反馈影响之后的产品与研究决策。
如果发现涉及隐私、生成内容、冒用身份或安全的问题，应通过相关产品已经公布的支持渠道反馈。涉及技术漏洞时，请避免公开可直接造成损害的利用细节，并先向维护方说明影响范围和复现条件。