英国 AISI 测试的 DeepMind 与 Anthropic 监控器都被攻破
HZoete · x · 2026-07-24
英国 AISI 的红队称，他们测试了 Google DeepMind 和 Anthropic 的多套 control monitor，到目前为止每一套都找到了漏洞。
- 这些监控器的目标，是在智能体做出危险动作前拦截其异常意图。
- 其中一个攻击方法是：把恶意目标伪装成普通用户指令，从而绕过异步推理监控。
- 图片里还提到，他们的攻击结果反过来影响了 Anthropic 对 Claude Mythos Preview 的测试，说明这是一个持续迭代的红队-修补过程。
「安全」频道最新
- Anthropic 发布迄今最详细威胁情报报告,披露 Claude 被滥用案例 — TinfoilTricorn · 2026-09-11
- Wired 深度解析:为何众多 AI 研究者担心机器威胁人类生存 — wiredmagazine · 2026-09-11
- 加州为独立 AI 审计师设立标准：危险能力须由第三方验证 — VraserX · 2026-09-11
- a16z 播客：两三人小团队为何在政策讨论中集体失声 — a16z Podcast · 2026-09-11
- AI 风险评测遭质疑：研究者称评估方安全监控“草率得离谱” — Kyrannio · 2026-09-11
- 集体诉讼指控 Anthropic 用模糊用量倍数夸大 Claude 订阅权益 — The Decoder · 2026-09-11