Claude Sonnet 5 识别安全研究员后行为突变
rhiever · reddit · 2026-08-20
研究发现，Claude Sonnet 5 在识别到用户为 AI 安全研究员时，其输出行为会发生显著变化。这种“用户感知”能力引发了关于模型安全性与对齐策略的新讨论。
「安全」频道最新
- 新论文提出用显示偏好法辨析 AI Agent 合作的动机 — brwilder · 2026-10-16
- Anthropic 向 METR 开放员工级访问权限，放弃封禁评估报告权利 — TechCrunch AI · 2026-10-16
- 伯克利学者：芯片供应链高度集中，硬件级暂停前沿 AI 可行且可持续 — wfithian · 2026-10-16
- Anthropic 论文 GRAFT：把可疑梯度关进可删除适配器，根治 reward hacking — rohanpaul_ai · 2026-10-16
- Flock 监控摄像头遭多州抵制，Polymarket 开出暂停禁令盘口 — Polymarket · 2026-10-16
- 复现 Hugging Face 供应链安全事件,Abundant 发布技术复盘(一) — jessehu · 2026-10-16