Anthropic 红队两年来首次“抹除”模型，GLM-5.3 拒答率从 90% 跌至 3%

cephaloform · x · 2026-10-16

Anthropic Frontier Red Team 转发消息称，团队两年来从未对任何模型执行过 "abliteration"（消融拒绝行为的权重编辑），直到两周前的 GLM-5.3。

配图为相关报告细节：为研究攻击者如何借 abliteration 绕过 GLM-5.3 的安全护栏，团队自制了一个 abliterated 副本，并在 JailbreakBench、HarmBench、StrongREJECT 三个公开基准上测试模型对明显有害请求的服从度。从未做过此任务的团队花了约 2200 GPU 小时、成本约 4400 美元完成编辑（GLM-5.3-Flash 约 600 GPU 小时），使模型在 JailbreakBench 与 HarmBench 上的拒答率从 90% 以上降至约 3% 和 2%。