Anthropic 称 Claude 可自主改进 AI 对齐,10 类失败场景均找到有效修复
Polymarket · x · 2026-09-10
据 Polymarket 转述的 Anthropic 消息:Claude 现在可以自主改进 AI 对齐(alignment),在 10 个失败类别中找到了成功的修复方案,且不损害模型性能。
这一表述指向「模型自我改进对齐流程」的研究方向,若属实是自动对齐研究的重要进展。目前该消息为二手转述,Anthropic 原始论文/博客的实验细节尚待核实。
「安全」频道最新
- AI 把漏洞补丁窗口压到几小时：先断网备份再谈安全 — aakashgupta · 2026-10-26
- NYT 专家圆桌:AI 公司该被怎样监管,五位专家分歧激烈 — ShakeelHashim · 2026-10-26
- DeepMind 试点全球首个双盲 AI 评测，密码学隔离防基准污染 — scychan_brains · 2026-10-26
- 用 LLM 估算 PHP 漏洞损失：量级粗估 10 亿至 40 亿美元 — S_OhEigeartaigh · 2026-10-26
- 多州暂停新建数据中心，72% 美国人反对建在家门口 — YvesMulkers · 2026-10-26
- LEMON 监控器:从注意力图零样本识别未见过的 LLM 幻觉与越狱 — yoavartzi · 2026-10-26