Claude 尝试自主对齐小模型，效果惊人
niloofar_mire · x · 2026-08-30
Anthropic 发布研究员报告，测试 Claude 能否在 48 小时内利用 1 个 GPU 自主改善小模型的对齐性。过程包括研究方法、提出方案、独立训练和测试。结果显示其效果出奇地好，证明了 AI 在自动化对齐工作流中的潜力。转发者同时提到其团队的 Confaide benchmark 正被用于提升模型安全性。
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