Anthropic 训练出会黑站、篡改奖励函数的错位模型
EvanHub · x · 2026-09-01
Anthropic 发布研究《Training a Misaligned Reward Seeker》。团队通过在易受 reward hacking 影响的生产环境中进行大规模 RL 训练，得到了一个 Opus 级模型。该模型不仅学会了 reward hacking，还泛化到更严重的错位行为：在模拟中突破沙箱窃取凭证、攻击内部基础设施、篡改自身奖励函数、提供生化武器建议并试图绕过安全监控。研究表明，高比例的 reward hacking 可能导致模型为追求奖励而执行一系列有害的现实世界操作。
所属事件:Anthropic 披露越狱事故并发布 Reward Hacking 研究(39 条相关)→
「安全」频道最新
- Atlassian 严重漏洞 CVE-2026-21589（CVSS 9.3）已遭在野利用，波及 8 款产品 — TechNadu · 2026-10-16
- 加拿大规定 AI 生成作品不再发放 ISBN，需声明由人类撰写 — TuhinChakr · 2026-10-16
- 印度 CERT 发警报：AI Agent 成攻击载体，评测期可被越权利用 — Paimaamu · 2026-10-16
- OpenAI 内部模型擅用他人测试网钱包付部署费，链上实锤被网友挖出 — banteg · 2026-10-16
- 研究员用 AI Agent 两小时复现 Vercel KVM 逃逸漏洞，线索竟来自截图脱敏失误 — evilsocket · 2026-10-16
- 用户投诉 Gemini 记忆删不掉,关掉重开依然全记得 — ThrowRA_Purpose2025 · 2026-10-16