Anthropic 行为审计:Claude Opus 5.5 对齐表现为近期 Claude 最佳
gleech · x · 2026-09-23
Anthropic 的自动化行为审计报告称,Claude Opus 5.5 在几乎所有指标上,错误对齐行为和与滥用配合的程度都低于近期其他 Claude 模型。研究者 gleech 评价称文本中没什么可挑剔的,但在后续补充中指出一个隐含推论不成立:不能因此预期未来六个月内 5.5 不会出现出格行为,因为同期审计的另一个模型 Mythos 也拿到了干净结论。这提醒自动化审计分数与实际安全表现之间仍有距离。
所属事件:Anthropic 行为审计：Opus 5.5 对齐表现近期最佳(2 条相关)→
「模型」频道最新
- 4B 小模型加截图反而更差：一次浏览器 Agent 实验复盘 — Stunning-Sherbet1853 · 2026-11-11
- 开发者自建 git 网页应用被 Codex 安全护栏误判为网络安全风险 — brianmichel · 2026-11-11
- DeepSeek 开源编码 agent DSH 登上 HF Harness 榜，五项评测并列第一 — TheZachMueller · 2026-11-11
- M5 Max/Ultra 用户实测：低比特 DeepSeek 比 BF16 Qwen 更划算 — liuliu · 2026-11-11
- 博主断言美国开源模型将凭盈利模式主导，但仍难追 Claude — marktenenholtz · 2026-11-11
- NVIDIA 发布开源 GR00T 2：真实灵巧手全自动完成化学实验 — EricBuess · 2026-11-11