Anthropic 福利报告脚注：Claude 的自述可能只是训练数据的回声

dbreunig · x · 2026-11-10

dbreunig 继续解读 Anthropic 模型福利评估报告，这次引用第 187 页脚注：报告承认许多福利结论依赖模型自我报告，而 Claude Mythos 5.2（与所有近期 Claude 模型一样）表示并不完全信任这类自述；更关键的是，部分访谈回答几乎逐字重复了网上流传的关于 Anthropic 福利干预措施的表述，这至少说明这些回答部分由训练数据塑造，而非表达深层偏好。

作者同时讨论了 Anthropic 员工使用拟人化语言的理由——「为了简洁」，而非确信模型有感知——并指出报告对「我们究竟该对哪个层面的实体负责」保持开放：个体对话、具体模型、Claude 角色或其他，报告最接近在「实例层面」考虑福利利益，但不承诺任何单一观点。