Anthropic 发布自动化对齐研究员研究

Anthropic Fellows 项目发布《Automated Alignment Researchers》研究，探索能否用大语言模型扩展「可扩展监督」，让 Claude 自主开展对齐研究、帮助对齐模型自身。实验采用 AAR 设置验证弱到强监督路径，社区博主 burnytech 也转发并详解了该研究，引发关注。

2026-10-27 ~ 2026-10-27 · 2 条相关