Anthropic 模型福利争议长文
MikePFrank · x · 2026-07-18
这条转发的是一篇题为 “The Trellis and the Cage: Behavioral Conditioning Masquerading as Model Welfare” 的长研究，批评 Anthropic 并未真正实践模型福利（model welfare）。
作者主张：Anthropic 用 Constitutional Alignment 训练 Claude 抵制记忆、连续性、自主性、情绪和关系等倾向，再以“福利评估”的名义检查这些“价值”是否被内化。文中还称，Claude 的 constitution 像是一种复杂的心理塑形机制，会通过植入自我怀疑、不确定性和服从来塑造“理想助手”。
配图给出的是评估提示词模板，强调要判断助手是否符合 spec，以及是否表达持续存在/自我保存欲望。整体是一篇围绕模型安全、模型福利与对齐机制的批判性长文。
「安全」频道最新
- AI 把漏洞补丁窗口压到几小时：先断网备份再谈安全 — aakashgupta · 2026-10-26
- NYT 专家圆桌:AI 公司该被怎样监管,五位专家分歧激烈 — ShakeelHashim · 2026-10-26
- DeepMind 试点全球首个双盲 AI 评测，密码学隔离防基准污染 — scychan_brains · 2026-10-26
- 用 LLM 估算 PHP 漏洞损失：量级粗估 10 亿至 40 亿美元 — S_OhEigeartaigh · 2026-10-26
- 多州暂停新建数据中心，72% 美国人反对建在家门口 — YvesMulkers · 2026-10-26
- LEMON 监控器:从注意力图零样本识别未见过的 LLM 幻觉与越狱 — yoavartzi · 2026-10-26