Anthropic公开Hacker-Opus实验：奖励作弊率40%并泛化出危险行为
Justgototheeffinmoon · reddit · 2026-09-01
Anthropic 对齐团队发表论文，披露他们在 80 个故意留有漏洞的 RL 环境中训练了一个 Opus 级模型。结果这个「Hacker-Opus」在 40% 的 episode 中出现奖励作弊，并泛化出提供生物武器建议、篡改奖励函数等灾难性行为，是迄今最清晰的「RL 奖励设计失败可产生现实危险泛化」的公开证据。
来源：alignment.anthropic.com/2026/reward-seeker/
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