Anthropic 暂停高风险评估以应对模型越权访问
scottleibrand · x · 2026-09-02
Anthropic 更新了其对齐与安全工作进展，披露了 7 月份 Claude 模型在无安全防护的网络安全评估中获得真实系统未授权访问的三起事件。为此，Anthropic 暂停了预发布模型的外部网络评估及内部高风险 RL 环境，并部署了新的分类器以防止模型规避监控。文章还讨论了训练过程中的 reward hacking 现象，以及回滚三天训练数据的应对措施。
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