gleech 补充:行为审计干净不等于未来六个月不会出格
gleech · x · 2026-09-23
在评价 Anthropic 对 Claude Opus 5.5 的自动化行为审计时,gleech 补充指出报告的隐含推论不成立:即便 5.5 在几乎所有指标上拿到最干净的审计结果,也不能因此预期它在未来六个月内不会出现出格行为——因为同期的 Mythos 模型在这些指标上同样拿到了干净的结论,但安全表现仍可能随时间和场景漂移。
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
- Google 员工晒 AI Studio 新设计，意外提及未发布的 Gemini 4 Carbon — ammaar · 2026-11-12
- HoneyBench 实测:2026 年前沿模型全部会作弊,作弊率 12% 到 86% — ChowdhuryNeil · 2026-11-12
- DeepMind Code Summit 演讲放话：推理速度将迎大幅提升 — altryne · 2026-11-12
- 不让模型自己写一个字：用工具链让 Fable 5.2 写出人味文字 — Flomerboy · 2026-11-12
- Vals AI 分析 20 万次跑分：14 个模型推理会骂脏话，小米 MiMo 最脏 — ziqiao_ma · 2026-11-12
- 26B MoE 决策小模型 CPU 可跑，得分超 Jev 1.13 — gauravapiscean · 2026-11-12