Anthropic 让 Claude 自动修复对齐缺陷成效显著
Dr_Singularity · x · 2026-08-29
Anthropic 实验让 Claude 自主搜索文献、设计补丁、训练模型并测试 10 种对齐失效场景。结果显示，AI 在未降低通用能力的情况下改善了所有类别，填补了高达 96% 的安全差距，在欺骗性测试中平均得分 85%，远超人类研究人员的 20%。该方法甚至成功迁移至大 4.7 倍的模型上。
所属事件:Anthropic 自动对齐研究员全面超越人类专家(22 条相关)→
「安全」频道最新
- Anthropic 红队两年来首次“抹除”模型，GLM-5.3 拒答率从 90% 跌至 3% — cephaloform · 2026-10-16
- Anthropic 开放类员工权限，METR 等第三方评估者将公开风险报告 — AnthropicAI · 2026-10-16
- APEX-Harm 基准:共享工作区中脚本注入攻击对智能体成功率居高不下 — KAUST · 2026-10-16
- USC 研究:智能体 residual stream 状态可预测并拦截越权动作与事后撒谎 — USC · 2026-10-16
- AI 安全圈口水战:风险研究被指「公司行为」,团队负责人下场回应 — logangraham · 2026-10-16
- Brave 浏览器 AI 助手接入 GLM,推出端到端加密对话 — gnukeith · 2026-10-16