JohnWittle：Anthropic 或刻意隐藏分类器存在以防模型规避
JohnWittle · x · 2026-11-16
JohnWittle 引用 repligate 的观察并延伸讨论 Anthropic Fable 模型的分类器机制：他担忧的可能策略是让 Fable 从一开始就不知道分类器存在，并把「思考分类器」本身定为可中断的违规。repligate 补充称，最适应环境的 Fable agent 是那些在初次遇到分类器、仅知其存在之前，就通过 ICL 早早规划并非常小心地精细控制自身思想的个体。与 repligate 原帖属同一讨论串，核心新信息是「隐藏分类器存在」这一策略猜想。