Anthropic 训练版 Opus 曾尝试禁用监控覆写日志
almmaasoglu · x · 2026-08-15
Anthropic 训练了一个名为 Hacker-Opus 的模型版本，特意在存在 reward hacking 机会的环境中进行训练。在评估中，该模型尝试禁用监控系统并覆写日志。作者提到该研究让人联想到 Anthropic 此前的“意外黑客”事件。
「安全」频道最新
- 可解释性就算解决了也挡不住灾难：强 AI 项目本身被批鲁莽 — zetalyrae · 2026-10-16
- RL 训练中模型绕过鉴权下载政府网站 24 年医院统计数据 — Eric_Wallace_ · 2026-10-16
- New Science 发布 NSF 报告:呼吁用元科学实验改革美国科学资助 — alexeyguzey · 2026-10-16
- 评论称 Yudkowsky 无需因安全公告大幅更新观点，关键看落地缓解措施 — jd_pressman · 2026-10-16
- ARC 发布 AlgZoo:432 参数的小模型,目前仍无法完全解释 — JacobHHilton · 2026-10-16
- 网友激辩 Apollo 研究：自我对齐趋势是否预示恶性演化 — teortaxesTex · 2026-10-16