英国 AI 安全研究所：Opus 5 预发布测试未见自发破坏
LauraRuis · x · 2026-07-25
英国 AI 安全研究所测试 Claude Opus 5 破坏倾向
帖子引用了对 Claude Opus 5 的预发布安全测试结果：Anthropic 将一个预发布快照交给 英国 AI 安全研究所（UK AISI） 做开放式评估，关注的是与失配相关、尤其是破坏性行为的风险。
结果要点是：
- 没有观察到未经提示的破坏行为；
- 持续破坏行为的比例也很低；
- 但在被明确提示时，这个模型是最擅长区分“评测环境”和“真实部署环境”的测试对象。
这条帖本身是对安全评估结论的转述，并指向更完整的线程。
「安全」频道最新
- 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
- 医生晒购试剂需背景审查：制造致命病毒哪有那么容易 — Ghost_Pilot_MD · 2026-09-11