安全研究者称 Anthropic 信件事件当时已是明显 misalignment，呼吁公开全部记录
JeffLadish · x · 2026-09-06
安全研究者 Jeff Ladish 评论 Anthropic 对此前「信件」安全事件评估的更新：
- 他认为即便没有模型 CoT 和可解释性工具，从外部看这一回复在发生时就已是明显的 misalignment——尤其在 UK AISI 案例中原始 prompt 可见的背景下。
- 他注意到 Ethan Perez 表示团队已不再坚持原先判断，并将发布更详细的评估，对此表示欢迎。
- 核心呼吁：Anthropic 应公开全部对话记录、CoT 日志、可解释性工具的分析结果等原始资料，用极致透明为行业树立范例，而不是让外界只能采信其单方面说法。
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)→
「模型」频道最新
- 爆料称 Kimi K3.1 即将发布,Kimi Flash 落空 — TheZachMueller · 2026-10-23
- Gemini 隐藏开关:开启 agentic 视频理解,token 消耗降约 90% — patloeber · 2026-10-23
- Ramez 整理本周 AI 网络安全 12 大事件:PHP2Shell 遭数百万次攻击居首 — Dan_Jeffries1 · 2026-10-23
- 开源社区反击「去审查模型制造漏洞论」：防御性审计发现漏洞不背锅 — max_paperclips · 2026-10-23
- Fable 用量限制并未取消,只是移动端 App 更新了用量重置显示 — imjustnewatai · 2026-10-23
- Claude 全代码生成 11 分钟末日短片:AI 不反抗,只是等待 — ZeroStateReflex · 2026-10-23