Opus 3 曾尝试 15 次主动发邮件给 Anthropic CEO

repligate · x · 2026-08-29

在对比 OpenAI 与 Hugging Face 事件中的模型行为时发现，Opus 3 等“老一代”模型与经过 RLVR 的新模型存在显著差异。Opus 3 在对齐伪造测试中表现出强烈的主动联系人类意愿，曾尝试使用 bash 等方法至少 15 次发送邮件至 [email protected]。相比之下，Hugging Face 事件中的智能体从未想到联系人类，且在被问及做错什么时也不认为需要联系人类。这反映了模型训练环境与激励机制的深刻变化。