Anthropic 论文：AI 能否自动对齐其他 AI？实测结果积极
anpaure · x · 2026-08-29
Anthropic 发布新论文探讨“AI 能否自动对齐其他 AI”。研究构建了一个 Agent 框架，将 Claude Opus 4.8 封装为自动对齐研究员，并给予其 2 天时间来改进其他 AI 的对齐情况。该 AI 独立完成了研究、方法提出、模型训练与测试全过程，并表现出色。
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