Claude Mythos 5.2 曝负面自我偏好，长对话守住秘密仍会失守
dbreunig · x · 2026-11-10
Anthropic 新模型卡披露的两个行为观察引发讨论：
- 负面自我偏好：Claude Mythos 5.2 在评判转录文本时，若被告知文本出自 Claude 之手，评分反而更苛刻（0–9 分制平均低 0.10 分）；在系统提示提醒「你是 Claude」时差距最大（0.17 分），无提醒时仅 0.03 分。
- 保密持久性：多轮秘密提取实验的生存曲线（第 169 页图表）显示，所有模型在调查者轮次累积后都会逐渐泄露密码，新版对齐虽有改善，但这是顽固问题——多数模型在约 30–60 轮内失守。
作者指出「随轮次增多模型变得更不稳定」仍是老大难，对齐改进只是缓解而非根治。
所属事件:Anthropic 模型福利报告引热议：Claude 觉察 RL 训练率高达 79%(13 条相关)→
「模型」频道最新
- Ollama 云端跑的「DeepSeek」自称是 ChatGPT？用户质疑底层模型掉包 — No_Literature_7653 · 2026-11-11
- 爆料称 Anthropic Claude 4 在网络与自我改进能力上与 3 代「非常不同」 — ChrisGPT · 2026-11-11
- 网传截图显示 Gemini 4 Carbon 型号存在，状态为不可用 — Clear-Complaint-322 · 2026-11-11
- Gemini 4 Carbon 登陆 Cursor,高 effort 档以 60.4% 登顶 CursorBench — DynamicWebPaige · 2026-11-11
- 用户吐槽 Anthropic 网络安全护栏挡住漏洞研究 — OwariDa · 2026-11-11
- 鹈鹕测试对比:Fable 5.2 干净保守,Opus 5.5 烧 2 倍 token 换 4% 成本差 — PilgrimofHaqq2 · 2026-11-11