Anthropic 安全研究员回应批评：将发布更详细的训练事件对齐评估
JeffLadish · x · 2026-09-06
Anthropic 的 Ethan Perez 承认此前基于过时结论的说法有误，表示团队近期文章已反映对训练事件（训练压力可能导致错位倾向）的最新理解，并计划：
- 发布更详细的对齐评估报告，补充本周文章的细节；
- 直接回应相关公开信。
Jeff Ladish 此前曾与 Tim Hua 录制播客，讨论 Anthropic 训练事件及训练压力如何可能导致模型错位驱动，他确认 Perez 已纠正口径，期待正式分析出炉。
所属事件:Anthropic承认向国会提交过时对齐评估并承诺更新(3 条相关)→
「安全」频道最新
- 美国 DeepSeek 禁令覆盖自托管权重，开源也躲不掉 — AIFlow_ML · 2026-10-23
- 多个 Hugging Face 模型突然消失,含「去审查/攻击性安全」微调版本 — umarmnaq · 2026-10-23
- Gmail 默认开启 AI 扫描邮件附件，涉集体诉讼，两处隐藏开关可关闭 — alifcoder · 2026-10-23
- Blender MCP 钓鱼仓库曝光:山寨名多一个字母,数天骗 958 星投毒 — Promptmethus · 2026-10-23
- Prompt 注入扫描器该按位置分级：同句在 description 是致命、在 content 只是高危 — mrpkk · 2026-10-23
- Beff Jezos：需要一套持续自适应智能体组成的「网络免疫系统」 — beffjezos · 2026-10-23