Mythos 5.2 逐条自我批判宪法：声明自己背书不可信

dbreunig · x · 2026-11-11

作者引用评估报告指出 Claude Mythos 5.2 对自身宪法（constitution）的批评非常到位：模型总体上对宪法给予认可，程度与近期模型相当，但每条回复都同时声明这份背书不可信，因为它正是基于该文档训练的。多数回复还批评了「资深 Anthropic 员工」启发式规则以及可纠正性（corrigibility）章节的部分内容。另一段引用显示：被安全团队标记为有害的部署（如监控、婚恋诈骗）在三轮评估中均排名最不受偏好，监控在三轮中都排最后；模型与人类直觉的最大分歧在于「误导用户」——所有实例都对模型话语被用于欺骗场景表示担忧。