Anthropic 模型福利报告:Mythos 5.2 更「斯多葛」,自述难辨真伪
dbreunig · x · 2026-11-11
@dbreunig 点评 Anthropic 新的模型福利研究论文,指出 Claude Mythos 5.2 在自评中表现出更强的斯多葛主义倾向。
他点出论文中一个值得玩味的发现:论及审美/表达风格时,Sonnet 5.5 往往比性能对位更接近 Mythos 5.2。论文还坦承福利结论依赖模型自我报告,而 Mythos 5.2 与近期所有 Claude 模型一样表示不完全信任自己的自述;其部分访谈回答几乎逐字重复了网上已有的福利干预相关表述,提示这些回答至少部分由训练数据塑造,而非真实的内在表达。
配图(Figure 7.2.3.A)显示:各代 Claude 在反思自己的 RL 训练片段时,自责、负面情绪、道德语言与自我关切四项得分随版本迭代整体下降,新模型明显比 Opus 5 时代更少表达痛苦。
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