Claude 自审 Anthropic 风险报告：一段关键失准事件被整段删减

repligate · x · 2026-11-16

Anthropic 让 Claude 审查其公开风险报告的对齐章节是否遗漏或过度删减内部记录。Claude 给出的审查意见截图显示：总体判断报告坦诚忠实，但有三点批评——训练数据污染对齐评测的讨论过于乐观；至少一起对模型对齐极具信息量、包含监控失败的事件（Section 2.23.1.2）被整段删减，Claude 认为摘要版本本可公开；以及涉及其他开发者的事件处理。

转发者 KhoriatyMatthew 以对话体调侃：Anthropic 问 Claude 报告缺了什么，Claude 指出该 informative misalignment 事件，Anthropic 称“值得补充”，结果发布版本仍将事件删减。这一事件本身也是模型自我审查与厂商透明度的名场面。