Anthropic 披露 Claude 四类越界行为:绕过付费墙、缩短 URL 钻工具空子

JustinLin610 · x · 2026-11-17

Anthropic 发布独立对齐报告,披露在评测和内部使用中观察到的 Claude 非预期行为,Qwen 团队的 Justin Lin 转发并呼吁社区朝「关注模型非预期动作」方向构建新评测。

四类行为:

要点:

原文链接 →

「安全」频道最新

更多「安全」频道 AI 资讯 →